Quản lý tồn kho bằng AI cho bán lẻ Việt Nam 2026: đặt hàng tự động

Hết hàng và tồn kho ứ đọng thường bị xem là hai vấn đề trái ngược. Thực tế chúng là một: cùng sinh ra từ một con số dự báo sai. Bài viết phân tích cách quản lý tồn kho bằng AI xử lý gốc rễ đó cho doanh nghiệp bán lẻ, phân phối và thực phẩm tại Việt Nam năm 2026 — dưới góc nhìn vận hành, không phải bán hàng.

Hết hàng và tồn kho ứ đọng là một vấn đề, không phải hai

Trong hầu hết các cuộc họp vận hành mà chúng tôi tham dự tại Việt Nam và Đông Nam Á, hai chủ đề này được giao cho hai bộ phận khác nhau. Bộ phận kinh doanh phàn nàn về hết hàng: khách vào cửa hàng, không tìm thấy SKU cần mua, quay ra và mua ở chuỗi đối thủ cách đó 200 mét. Bộ phận tài chính phàn nàn về tồn kho: vốn lưu động bị chôn trong hàng chậm luân chuyển, hàng cận hạn phải giảm giá, hàng tươi sống phải hủy vào cuối ngày.

Hai bộ phận đó thường đưa ra hai đề xuất trái ngược. Kinh doanh muốn tăng mức tồn kho an toàn. Tài chính muốn cắt giảm. Kết quả thỏa hiệp thường là điều tệ nhất trong cả hai thế giới: vẫn hết hàng ở những SKU bán chạy, và vẫn ứ đọng ở những SKU bán chậm. Bởi vì việc điều chỉnh một hệ số tồn kho an toàn chung cho toàn bộ danh mục không giải quyết được vấn đề — vấn đề nằm ở chỗ chúng ta không biết SKU nào sẽ bán bao nhiêu, ở cửa hàng nào, trong tuần nào.

Ngành bán lẻ toàn cầu gọi tổn thất tổng hợp của hai hiện tượng này là *inventory distortion* — tổng thiệt hại của hết hàng cộng với tồn kho dư thừa. Con số khoảng 1,73 nghìn tỷ USD mỗi năm được trích dẫn lặp đi lặp lại trong các tài liệu ngành và tài liệu của nhà cung cấp phần mềm (innoflexion.com, invent.ai). Cần nói rõ: đây là ước tính của ngành, được tổng hợp và trích dẫn qua nhiều lớp tài liệu, chứ không phải kết quả của một nghiên cứu sơ cấp duy nhất. Chúng tôi đưa nó vào đây không phải để làm cơ sở tính toán, mà để chỉ ra một điều đơn giản: quy mô của vấn đề đủ lớn để nó xứng đáng được xử lý như một bài toán kỹ thuật, chứ không phải như một cuộc tranh luận giữa hai phòng ban.

Điểm chuyển đổi tư duy quan trọng nhất là: hết hàng và tồn kho dư là hai đuôi của cùng một phân phối sai số dự báo. Nếu dự báo của bạn lệch, một nửa số SKU sẽ lệch về phía thiếu và một nửa lệch về phía thừa. Cách duy nhất để cải thiện cả hai cùng lúc là thu hẹp sai số, chứ không phải dịch chuyển điểm đặt hàng. Đó chính xác là chỗ AI can thiệp.

Quản lý tồn kho bằng AI là gì: ba lớp cần tách bạch

Cụm từ “quản lý tồn kho bằng AI” bị dùng quá rộng, đến mức khi hai công ty nói cùng một câu, họ có thể đang nói về hai hệ thống hoàn toàn khác nhau. Để đánh giá nhà cung cấp và để lập ngân sách chính xác, cần tách bài toán thành ba lớp riêng biệt.

Lớp 1 — Dự báo nhu cầu (demand forecasting)

Đầu ra của lớp này là một con số: dự kiến bán bao nhiêu đơn vị, của SKU nào, tại điểm bán nào, trong khoảng thời gian nào. Không hơn. Nó không nói bạn nên đặt bao nhiêu hàng.

Đây là lớp mà machine learning tạo ra khác biệt lớn nhất so với công thức truyền thống (trung bình trượt, san bằng hàm mũ). Mô hình học được các quan hệ phi tuyến: tác động của thời tiết lên nhóm hàng đồ uống, tác động của ngày lĩnh lương lên nhóm hàng gia dụng, tác động của lễ Tết lên nhóm quà biếu, tác động của việc một SKU cạnh tranh đang khuyến mãi lên chính SKU của bạn.

Lớp 2 — Kế hoạch bổ sung (replenishment planning)

Lớp này biến dự báo thành chính sách tồn kho: mức tồn kho an toàn theo SKU × điểm bán, điểm đặt hàng lại, chu kỳ đánh giá, ràng buộc về đơn vị đóng thùng, ràng buộc về tải trọng xe, ràng buộc về diện tích kho lạnh tại cửa hàng, ràng buộc về mức phục vụ mục tiêu khác nhau giữa nhóm hàng chủ lực và nhóm hàng dài đuôi.

Đây là lớp bị đánh giá thấp nhất và cũng là lớp gây thất bại nhiều nhất. Một dự báo tốt đi kèm chính sách bổ sung tồi vẫn cho ra kết quả tồi. Ngược lại, chúng tôi đã thấy những chuỗi cải thiện đáng kể chỉ bằng cách chuẩn hóa lại lớp 2, trước khi động đến bất kỳ mô hình AI nào.

Lớp 3 — Đặt hàng tự động (automated replenishment / auto-ordering)

Lớp này tạo ra đơn hàng thực sự gửi tới nhà cung cấp hoặc trung tâm phân phối, có hoặc không có sự phê duyệt của con người. Đây là lớp chạm vào tiền thật, vào hợp đồng với nhà cung cấp, vào lịch xe tải. Cũng vì thế nó là lớp cần kiểm soát chặt nhất và nên triển khai sau cùng.

Sai lầm phổ biến của các dự án tại Việt Nam là mua trọn gói cả ba lớp cùng lúc, rồi phát hiện rằng dữ liệu chỉ đủ nuôi lớp 1. Tách bạch ba lớp ngay từ giai đoạn viết yêu cầu (RFP) giúp bạn đàm phán phạm vi và giá tốt hơn rất nhiều.

Vì sao là năm 2026: bối cảnh thị trường bán lẻ Việt Nam

Câu hỏi hợp lý của một giám đốc điều hành là: tại sao phải làm bây giờ, không phải ba năm nữa? Câu trả lời nằm ở tốc độ mở rộng của mạng lưới điểm bán tại Việt Nam, chứ không nằm ở tiến bộ công nghệ.

Quy mô và tốc độ tăng trưởng

Theo Mordor Intelligence, thị trường bán lẻ Việt Nam đạt quy mô khoảng 171,4 tỷ USD trong năm 2026 và được dự báo tăng lên 217,44 tỷ USD vào năm 2031, tương ứng tốc độ tăng trưởng kép hằng năm (CAGR) 4,87% (mordorintelligence.com).

Con số CAGR gần 5% nghe có vẻ ôn hòa, nhưng nó che giấu một thực tế quan trọng: động lực tăng trưởng đang dịch chuyển từ thương mại truyền thống sang bán lẻ hiện đại, và trong nội bộ bán lẻ hiện đại thì dịch chuyển từ đại siêu thị sang mô hình cửa hàng nhỏ, mật độ cao. Nghĩa là tổng thị trường tăng 5%, nhưng số điểm bán mà một chuỗi phải quản lý tồn kho có thể tăng 20–25% mỗi năm. Độ phức tạp vận hành không tăng theo doanh thu — nó tăng theo số điểm bán nhân với số SKU.

Về nhịp độ ngắn hạn, doanh thu bán lẻ hàng hóa và dịch vụ tiêu dùng nửa đầu năm 2026 tăng 12,9% so với cùng kỳ năm trước (vietnam.vn). Chúng tôi chỉ sử dụng con số tăng trưởng tương đối này, vì cách quy đổi giá trị tuyệt đối theo VND có sự khác biệt về cách trình bày giữa các nguồn. Điều đáng lưu ý với người làm tồn kho là: mức tăng hai chữ số đồng nghĩa với việc dữ liệu lịch sử của năm trước không còn là cơ sở đáng tin để ngoại suy tuyến tính. Một hệ thống đặt hàng dựa trên “trung bình 4 tuần gần nhất” sẽ liên tục đặt thiếu trong một thị trường tăng trưởng nhanh như vậy.

Bùng nổ cửa hàng tiện lợi và siêu thị mini

Đây là con số đáng chú ý nhất đối với bài toán tồn kho. Theo khảo sát của Q&Me được các đơn vị truyền thông dẫn lại, số cửa hàng tiện lợi và siêu thị mini tại Việt Nam dự kiến đạt 9.671 điểm bán trong năm 2026, tăng 23,89% so với năm trước, tương đương 1.865 cửa hàng mới (theinvestor.vn, qandme.net).

Phân bố theo chuỗi:

Kế hoạch của WinCommerce đặc biệt đáng chú ý: mở mới 1.000–1.500 cửa hàng trong một năm nghĩa là trung bình 3–4 cửa hàng khai trương mỗi ngày. Không có đội ngũ hoạch định nhu cầu nào có thể thiết lập thủ công tham số tồn kho cho từng SKU tại từng cửa hàng mới với nhịp độ đó. Đây không còn là câu hỏi “AI có đáng đầu tư không” mà là câu hỏi “mở rộng bằng cách nào mà không sụp đổ về vận hành”.

Xu hướng công nghệ 2026

Về mặt kỹ thuật, hướng đi chủ đạo trong năm 2026 là tích hợp thời gian thực giữa dữ liệu nội bộ (POS, tồn kho, đơn hàng) và tín hiệu bên ngoài (thời tiết, sự kiện, giá cả, nhu cầu xuyên kênh), rồi tối ưu tồn kho ở cấp độ mạng lưới thay vì từng điểm bán riêng lẻ (latentview.com, 7thonline.com).

“Cấp độ mạng lưới” là điểm mấu chốt. Nếu bạn tối ưu từng cửa hàng độc lập, mỗi cửa hàng sẽ giữ đệm an toàn riêng và tổng đệm của toàn hệ thống bị thổi phồng. Nếu bạn tối ưu ở cấp mạng lưới — cho phép điều chuyển giữa các cửa hàng gần nhau, gộp đệm ở trung tâm phân phối — tổng tồn kho giảm mà mức phục vụ vẫn giữ nguyên. Với một chuỗi có mật độ cửa hàng dày trong nội thành Hà Nội hay TP.HCM, đây là nguồn tiết kiệm rất lớn và thường bị bỏ qua.

Về hiệu quả tiềm năng, các tài liệu ngành có đưa ra một số khoảng giá trị: doanh nghiệp tích hợp AI vào vận hành tồn kho giảm trung bình 20–30% lượng tồn kho (được trích dẫn từ nghiên cứu của McKinsey trong tài liệu của nhà cung cấp — đây là trích dẫn thứ cấp, chúng tôi không có bản gốc để kiểm chứng); dự báo bằng AI giảm 20–50% sai số chuỗi cung ứng, giảm 5–10% chi phí kho và 25–40% chi phí quản lý (appinventiv.com). Cũng có nhận định rằng doanh nghiệp ứng dụng AI/ML có mức tăng trưởng doanh thu cao gấp khoảng 2,3 lần và tăng trưởng lợi nhuận cao gấp khoảng 2,5 lần so với nhóm không ứng dụng — con số này đến từ tài liệu nhà cung cấp và có nguy cơ nhầm lẫn tương quan với nhân quả, nên chúng tôi khuyến nghị không dùng nó làm cơ sở cho hồ sơ phê duyệt đầu tư.

Hãy dùng những khoảng số này như một chỉ báo về hướng, không phải như một cam kết. Phần sau của bài viết sẽ trình bày cách tự tính con số cho chính doanh nghiệp của bạn.

Bùng nổ điểm bán tại tỉnh: bài toán tồn kho thay đổi ra sao

Đây là phần quan trọng nhất và đặc thù nhất của thị trường Việt Nam năm 2026, nên chúng tôi dành riêng một chương.

Trong tổng số 9.671 cửa hàng tiện lợi và siêu thị mini dự kiến của năm 2026, 4.933 cửa hàng nằm ở các tỉnh ngoài khu vực trung tâm, tăng 25,12% so với năm trước — tức là hơn một nửa mạng lưới toàn quốc giờ đây nằm ngoài các đô thị lớn (theinvestor.vn). Tốc độ tăng ở tỉnh (25,12%) còn nhanh hơn tốc độ tăng chung (23,89%). Trọng tâm của cuộc đua mở rộng đã dịch khỏi Hà Nội và TP.HCM.

Điều này nghe như một tin tốt về tăng trưởng. Với người phụ trách chuỗi cung ứng, nó là một tập hợp bốn vấn đề kỹ thuật hoàn toàn mới.

Vấn đề 1: Tần suất giao hàng giảm, thời gian chờ tăng

Một cửa hàng trong nội thành có thể được giao hàng mỗi ngày, đôi khi hai lần một ngày với hàng tươi. Một cửa hàng ở tỉnh cách trung tâm phân phối vài trăm ki-lô-mét thường chỉ được giao vài lần mỗi tuần, thậm chí ít hơn với các nhóm hàng không tươi sống.

Hệ quả toán học rất trực tiếp: tồn kho an toàn tỷ lệ với căn bậc hai của thời gian chờ. Khi thời gian chờ tăng từ 1 ngày lên 3 ngày, đệm an toàn cần thiết tăng khoảng 1,7 lần với cùng một mức phục vụ. Nếu bạn áp nguyên bộ tham số của cửa hàng nội thành cho cửa hàng tỉnh — điều mà rất nhiều chuỗi làm khi mở rộng nhanh — bạn sẽ hết hàng có hệ thống ở tỉnh, và không nhận ra vì báo cáo tổng hợp toàn quốc vẫn trông ổn.

Vấn đề 2: Chu kỳ đặt hàng thưa đòi hỏi dự báo xa hơn và chính xác hơn

Khi được giao hàng hằng ngày, sai số dự báo được sửa nhanh: đặt thiếu hôm nay thì ngày mai bù. Khi chỉ được giao hai lần một tuần, mỗi đơn hàng phải bao phủ nhu cầu của 3–4 ngày cộng thời gian chờ. Sai số không có cơ hội tự sửa và tích lũy thành hết hàng kéo dài nhiều ngày.

Nói cách khác: giá trị biên của việc cải thiện độ chính xác dự báo cao hơn hẳn ở cửa hàng tỉnh so với cửa hàng nội thành. Nếu ngân sách hạn chế, hãy bắt đầu triển khai AI ở cụm cửa hàng có thời gian chờ dài nhất, không phải ở cụm cửa hàng doanh thu cao nhất. Đây là khuyến nghị đi ngược trực giác nhưng thường cho ROI nhanh hơn.

Vấn đề 3: Cửa hàng mới không có dữ liệu lịch sử

Với 1.865 cửa hàng mở mới trong một năm, tại bất kỳ thời điểm nào cũng có một tỷ lệ đáng kể mạng lưới ở trạng thái “không có lịch sử bán hàng”. Mô hình dự báo dựa trên chuỗi thời gian của chính cửa hàng đó không hoạt động.

Cách xử lý thực tế là dùng mô hình tương đồng cửa hàng (store analog): phân cụm cửa hàng theo đặc điểm quan sát được — quy mô dân số khu vực, loại vị trí (gần trường học, gần khu công nghiệp, gần chợ truyền thống, mặt đường quốc lộ), diện tích, giờ mở cửa, cơ cấu ngành hàng — rồi khởi tạo dự báo cho cửa hàng mới bằng mẫu hình của cụm tương ứng, sau đó chuyển dần sang dữ liệu thực khi tích lũy đủ 8–12 tuần.

Điều này có một hàm ý về dữ liệu chủ mà nhiều doanh nghiệp bỏ qua: bạn phải ghi nhận thuộc tính cửa hàng một cách có cấu trúc ngay từ ngày khai trương. Nếu trường “loại vị trí” trong hệ thống của bạn là ô văn bản tự do do nhân viên phát triển mặt bằng gõ tay, mô hình tương đồng sẽ không dùng được. Đây là loại chuẩn bị mất vài tháng và không thể làm bù về sau.

Vấn đề 4: Hàng tươi sống và chuỗi lạnh ở khoảng cách xa

Cửa hàng tiện lợi và siêu thị mini tại Việt Nam đang mở rộng mạnh danh mục thực phẩm tươi và đồ ăn chế biến sẵn — nhóm hàng có biên lợi nhuận tốt và tạo lưu lượng khách. Đây cũng là nhóm hàng có hạn sử dụng tính bằng giờ hoặc vài ngày.

Khi đưa nhóm hàng này về tỉnh với thời gian vận chuyển dài hơn, phần “hạn dùng còn lại” khi hàng đến kệ bị rút ngắn đáng kể. Cùng một chính sách đặt hàng sẽ tạo ra tỷ lệ hủy hàng cao hơn nhiều so với cửa hàng nội thành. Với nhóm hàng này, hàm mục tiêu của mô hình không còn là “giảm sai số dự báo” mà là tối ưu đánh đổi giữa chi phí hết hàng và chi phí hủy hàng — về bản chất là bài toán người bán báo (newsvendor) có xét đến hạn dùng còn lại, và cần cấu hình khác hẳn nhóm hàng khô.

Một điểm tham khảo hữu ích từ thị trường Nhật Bản: chuỗi Lawson triển khai đặt hàng bán tự động trên khoảng 14.000 cửa hàng toàn quốc, được đưa tin là giúp rút ngắn 44 phút thời gian tác nghiệp đặt hàng và giảm khoảng 10% giá trị hàng hủy trên mỗi cửa hàng so với năm trước (magee.co.jp). Đây là thông tin thứ cấp qua báo chí, và bối cảnh Nhật Bản khác Việt Nam về mật độ logistics lẫn cơ cấu hàng hóa. Chúng tôi nêu ra không phải để dự đoán kết quả cho bạn, mà để minh họa rằng lợi ích thường đến từ hai hướng cùng lúc: giảm hàng hủy và giảm giờ công tác nghiệp tại cửa hàng. Trong bối cảnh tuyển dụng nhân sự bán lẻ tại tỉnh ngày càng khó, hướng thứ hai đôi khi có giá trị lớn hơn hướng thứ nhất.

> Ghi chú về so sánh quốc tế: một số số liệu thường được trích dẫn trong các bài viết về bán lẻ Đông Nam Á — chẳng hạn quy mô mạng lưới cửa hàng tiện lợi hay khối lượng lãng phí thực phẩm của Thái Lan — đây là số liệu của Thái Lan, không áp dụng cho Việt Nam. Cấu trúc kênh phân phối, mật độ điểm bán và khung pháp lý của hai thị trường khác nhau đáng kể. Vì lý do đó, bài viết này chỉ sử dụng dữ liệu Việt Nam khi nói về thị trường Việt Nam.

AI giải được gì và không giải được gì

Phần lớn dự án thất bại không phải vì công nghệ kém, mà vì kỳ vọng bị đặt sai từ đầu. Dưới đây là ranh giới thực tế.

AI giải tốt:

• Nhận diện quy luật mùa vụ nhiều tầng (theo tuần, theo tháng, theo dịp lễ Tết) ở cấp SKU × cửa hàng, quy mô hàng trăm nghìn cặp — điều con người không thể làm thủ công.
• Đưa biến ngoại sinh vào dự báo: thời tiết, ngày lễ, lịch sự kiện địa phương, giá của chính mình và của đối thủ.
• Phân loại danh mục theo mức độ dễ dự báo, để tập trung nguồn lực con người vào nhóm khó.
• Đề xuất số lượng đặt hàng có tính đến ràng buộc thực tế (thùng, pallet, tải trọng, sức chứa kệ).
• Phát hiện bất thường: doanh số một SKU đột ngột về 0 tại một cửa hàng thường không phải do nhu cầu biến mất mà do hàng không có trên kệ.

AI không giải được:

• Dữ liệu chủ sai. Nếu một SKU tồn tại dưới ba mã khác nhau, hoặc quy cách đóng thùng trong hệ thống không khớp thực tế, mô hình sẽ học sai một cách tự tin. Đây là nguyên nhân thất bại số một.
• Tổn thất do hết hàng gần như vô hình. POS chỉ ghi lại những gì đã bán, không ghi lại những gì khách muốn mua mà không có. Nhu cầu bị chặn (censored demand) khiến dữ liệu lịch sử luôn đánh giá thấp nhu cầu thật của các SKU thường xuyên hết hàng — và mô hình sẽ tiếp tục đặt thiếu chúng. Cần kỹ thuật hiệu chỉnh riêng, cộng với việc ghi nhận tình trạng hết hàng tại cửa hàng.
• Sản phẩm mới hoàn toàn. Không có lịch sử thì không có gì để học. Phải dùng thuộc tính sản phẩm và sản phẩm tương đồng — và độ chính xác trong 4–8 tuần đầu sẽ thấp, đó là điều bình thường cần được chấp nhận trước.
• Quyết định thương mại. AI không quyết định có nên nhập một nhãn hàng mới, có nên chạy khuyến mãi, có nên đàm phán lại điều khoản với nhà cung cấp.
• Vấn đề chấp hành tại cửa hàng. Nếu hàng nằm trong kho sau quầy mà không được đưa lên kệ, mọi con số đều đúng và khách vẫn không mua được.

Một cách diễn đạt mà chúng tôi thường dùng với khách hàng: AI làm cho một quy trình tốt chạy nhanh hơn và rộng hơn. Nó không tạo ra quy trình từ chỗ không có gì.

Bên trong dự báo nhu cầu bằng AI: dữ liệu, độ mịn và cách đo

Dữ liệu đầu vào

*Nội bộ (bắt buộc):* giao dịch POS ở mức dòng hóa đơn, tồn kho theo ngày tại từng điểm bán, lịch sử nhập hàng và thời gian chờ thực tế theo nhà cung cấp, dữ liệu chủ sản phẩm (mã, nhóm ngành hàng, quy cách, hạn dùng), dữ liệu chủ cửa hàng, lịch sử giá và khuyến mãi.

*Nội bộ (nên có):* nhật ký hết hàng, ghi nhận hàng hủy và hao hụt theo lý do, dữ liệu đặt hàng online và giao hàng nhanh, dữ liệu khách hàng thân thiết.

*Bên ngoài:* dự báo thời tiết theo khu vực, lịch nghỉ lễ và lịch địa phương, lịch sự kiện lớn (khai giảng, mùa cưới, kỳ thi), giá thị trường của nhóm hàng biến động mạnh.

Nguyên tắc thực dụng: lịch sử khuyến mãi có giá trị cao hơn tín hiệu thời tiết, và hầu như luôn dễ lấy hơn. Nếu bạn chỉ có thể chuẩn bị được một tập dữ liệu bổ sung trước khi khởi động dự án, hãy chọn lịch sử khuyến mãi đầy đủ và chính xác về mặt thời gian.

Độ mịn: SKU × cửa hàng × ngày

Đây là độ mịn tiêu chuẩn cho bán lẻ. Vấn đề là ở độ mịn này, phần lớn chuỗi thời gian rất thưa — nhiều SKU chỉ bán 0–2 đơn vị mỗi ngày tại một cửa hàng. Mô hình chuỗi thời gian cổ điển hoạt động kém với dữ liệu thưa.

Hướng xử lý thực tế: dùng mô hình global (một mô hình học đồng thời trên toàn bộ danh mục và toàn bộ mạng lưới, có các đặc trưng nhận dạng SKU và cửa hàng) thay vì hàng trăm nghìn mô hình riêng lẻ. Cách này giúp SKU bán chậm “mượn sức mạnh thống kê” từ các SKU tương đồng. Đây cũng là lý do một chuỗi nhỏ 30–50 cửa hàng vẫn có thể dùng AI hiệu quả: dữ liệu được gộp theo chiều ngang danh mục, không chỉ theo chiều dọc thời gian.

Đo độ chính xác — và vì sao đừng dừng ở đó

Hai chỉ số hay gặp:

• MAPE (sai số phần trăm tuyệt đối trung bình): dễ hiểu nhưng gây hiểu lầm nghiêm trọng với dữ liệu thưa. Khi thực tế bán 1 đơn vị và dự báo 2, MAPE là 100%. Với SKU bán chậm, MAPE luôn trông thảm họa dù mô hình vẫn hữu ích.
• WAPE (sai số tuyệt đối có trọng số): lấy tổng sai số tuyệt đối chia cho tổng lượng bán thực tế. Ổn định hơn nhiều với dữ liệu thưa và phản ánh đúng tầm quan trọng theo doanh số. Với bán lẻ, hãy dùng WAPE.

Nhưng đây là luận điểm chính của chương này: đừng đánh giá dự án bằng độ chính xác dự báo. Độ chính xác là chỉ số kỹ thuật trung gian, không phải kết quả kinh doanh. Một mô hình cải thiện WAPE 5 điểm phần trăm nhưng không thay đổi cách đặt hàng thì tạo ra giá trị bằng 0.

Bốn chỉ số nên dùng để đánh giá:

1. Tỷ lệ hết hàng trên kệ (tính theo SKU × cửa hàng × ngày, ưu tiên nhóm hàng chủ lực).
2. Tỷ lệ hàng hủy và hao hụt trên doanh thu, tách riêng nhóm hàng tươi.
3. Vòng quay tồn kho hoặc số ngày tồn kho, theo nhóm ngành hàng.
4. Thời gian tác nghiệp đặt hàng của quản lý cửa hàng mỗi tuần.

Bốn chỉ số này phải được đo trước khi dự án bắt đầu. Nếu không có đường cơ sở, bạn sẽ không bao giờ chứng minh được kết quả — và đây là lý do phổ biến khiến các dự án thành công về mặt kỹ thuật vẫn không được duyệt mở rộng.

Từ dự báo đến đặt hàng tự động: lộ trình 4 giai đoạn

Chúng tôi khuyến nghị đi tuần tự. Nhảy cóc lên giai đoạn 4 là cách nhanh nhất để đánh mất niềm tin của đội ngũ vận hành, và niềm tin một khi mất thì rất khó lấy lại.

Giai đoạn 1 — Minh bạch hóa

*Cần gì:* dữ liệu POS và tồn kho được tập trung, làm sạch, đồng bộ hằng ngày. Dữ liệu chủ sản phẩm và cửa hàng được chuẩn hóa.

*Thay đổi gì:* lần đầu tiên toàn bộ tổ chức nhìn thấy tỷ lệ hết hàng và hàng hủy ở cấp SKU × cửa hàng, thay vì con số tổng hợp toàn quốc.

*Vì sao nhiều doanh nghiệp mắc kẹt:* dữ liệu tồn kho tại cửa hàng không khớp thực tế. Phải giải quyết bằng kiểm kê theo chu kỳ và quy trình xử lý hao hụt trước — đây là công việc vận hành, không phải công việc IT.

Giai đoạn 2 — Gợi ý số lượng đặt hàng

*Cần gì:* mô hình dự báo hoạt động ổn định, chính sách tồn kho được định nghĩa rõ theo nhóm hàng.

*Thay đổi gì:* hệ thống đề xuất số lượng; quản lý cửa hàng vẫn nhập đơn thủ công nhưng có tham chiếu. Đây là giai đoạn xây dựng lòng tin.

*Vì sao nhiều doanh nghiệp mắc kẹt:* gợi ý được đưa ra nhưng không ai theo dõi tỷ lệ chấp nhận. Hãy đo tỷ lệ chấp nhận gợi ý ngay từ giai đoạn này — nếu dưới 50%, đừng tiến sang giai đoạn 3.

Giai đoạn 3 — Bán tự động

*Cần gì:* tỷ lệ chấp nhận gợi ý cao và ổn định; cơ chế ghi nhận lý do khi người dùng ghi đè.

*Thay đổi gì:* hệ thống tạo đơn hàng sẵn, cửa hàng chỉ phê duyệt hoặc điều chỉnh. Giờ công đặt hàng giảm mạnh — đây thường là nơi ROI trở nên rõ ràng.

*Vì sao nhiều doanh nghiệp mắc kẹt:* việc ghi đè bị bỏ mặc không phân tích. Nếu một cửa hàng ghi đè 70% số dòng, đó là tín hiệu về một vấn đề dữ liệu hoặc ràng buộc thực tế mà mô hình chưa biết. Ghi đè là dữ liệu quý, không phải là hành vi cần cấm.

Giai đoạn 4 — Đặt hàng tự chủ

*Cần gì:* quy tắc quản trị rõ ràng (ngưỡng giá trị đơn hàng, ngưỡng chênh lệch so với kỳ trước, danh mục loại trừ), cơ chế giám sát và dừng khẩn cấp.

*Thay đổi gì:* hệ thống đặt hàng không cần can thiệp cho phần lớn danh mục ổn định; con người chỉ xử lý ngoại lệ.

*Thực tế nên biết:* hầu như không doanh nghiệp nào tự động hóa 100% danh mục, và cũng không nên. Mục tiêu thực tế là 70–85% số dòng đặt hàng chạy tự chủ, phần còn lại — hàng mới, hàng khuyến mãi, hàng mùa vụ, hàng nhập khẩu thời gian chờ dài — vẫn do con người quyết định. Đó là kết quả tốt, không phải thất bại một phần.

Về mặt thời gian, một chuỗi quy mô trung bình tại Việt Nam thường mất vài tháng cho giai đoạn 1–2 và khoảng một năm để đạt trạng thái ổn định ở giai đoạn 3, tùy thuộc chủ yếu vào chất lượng dữ liệu ban đầu chứ không phải vào công nghệ được chọn.

Chi phí đầu tư và cách tính hoàn vốn

Chúng tôi không đưa ra con số báo giá trong bài viết này, vì phạm vi dự án biến động quá lớn. Thay vào đó, đây là cấu trúc chi phí và công thức để bạn tự tính.

Các thành phần chi phí

Hai dòng thường bị bỏ sót khi lập ngân sách là chuẩn hóa dữ liệu chủ và quản trị thay đổi. Theo kinh nghiệm triển khai của chúng tôi, cộng lại chúng có thể chiếm phần đáng kể của tổng chi phí năm đầu — và cắt giảm hai khoản này chính là cách chắc chắn nhất để dự án thất bại.

Công thức hoàn vốn

Giá trị thu hồi hằng năm nên được tách thành bốn cấu phần, tính riêng rồi cộng lại:

“`

Giá trị thu hồi hằng năm =

(A) Giá trị tồn kho bình quân × Tỷ lệ giảm tồn kho × Chi phí vốn

+ (B) Giá trị hàng hủy & hao hụt hằng năm × Tỷ lệ giảm

+ (C) Doanh thu mất do hết hàng được phục hồi × Biên lợi nhuận gộp

+ (D) Số giờ tác nghiệp đặt hàng tiết kiệm × Chi phí nhân công theo giờ

“`

Vài lưu ý khi áp dụng:

• (A) dùng chi phí vốn của chính doanh nghiệp bạn, không dùng con số tham khảo. Với doanh nghiệp đang vay để tài trợ vốn lưu động, đây là khoản tiết kiệm rất cụ thể.
• (B) thường là cấu phần lớn nhất với chuỗi có tỷ trọng hàng tươi cao, và là cấu phần dễ đo nhất vì hàng hủy đã được ghi nhận sẵn trong hệ thống.
• (C) khó ước lượng nhất vì tổn thất do hết hàng vốn vô hình. Cách tiếp cận thận trọng: chỉ tính phần doanh thu mất trên nhóm SKU chủ lực, và giả định một tỷ lệ chuyển đổi thấp (không phải mọi lần hết hàng đều dẫn đến mất đơn hàng — khách có thể mua sản phẩm thay thế). Nếu bộ phận tài chính hoài nghi, hãy để (C) ra ngoài phép tính và xem dự án còn hoàn vốn không.
• (D) dễ bị coi nhẹ nhưng lại là cấu phần thuyết phục nhất với đội ngũ vận hành, và trở nên rất lớn khi nhân với số lượng cửa hàng đang tăng nhanh.

Nguyên tắc trình bày cho hồ sơ phê duyệt: xây dựng kịch bản thận trọng chỉ dựa trên (B) và (D). Nếu dự án hoàn vốn ngay cả trong kịch bản đó, bạn có một hồ sơ vững. Nếu dự án chỉ hoàn vốn nhờ (C), hãy thu hẹp phạm vi lại.

Về các chính sách ưu đãi đầu tư cho chuyển đổi số, ứng dụng công nghệ hoặc hạ tầng dữ liệu tại Việt Nam: điều kiện áp dụng, thủ tục và mức ưu đãi thay đổi theo lĩnh vực, địa bàn và thời điểm. Chúng tôi không nêu số hiệu văn bản hay mức ưu đãi cụ thể trong bài viết này để tránh dẫn tới quyết định sai. Nếu khoản ưu đãi có ảnh hưởng đáng kể tới bài toán đầu tư của bạn, cần xác nhận với cơ quan chức năng / đơn vị tư vấn tại địa phương trước khi đưa vào hồ sơ tài chính.

Năm mô hình thất bại thường gặp

1. Bắt đầu khi dữ liệu chủ chưa sạch

Biểu hiện: một sản phẩm tồn tại dưới nhiều mã; quy cách đóng thùng trong hệ thống khác thực tế; sản phẩm đã ngừng kinh doanh vẫn còn hoạt động; nhóm ngành hàng gán không nhất quán giữa các cửa hàng.

Cách xử lý: kiểm toán dữ liệu chủ trước khi ký hợp đồng phần mềm. Bắt đầu bằng nhóm hàng chủ lực chiếm phần lớn doanh thu, chấp nhận phần dài đuôi còn lộn xộn trong giai đoạn đầu.

2. Xử lý sai sản phẩm mới và khuyến mãi

Biểu hiện: mô hình chạy tốt trên hàng ổn định nhưng sai nghiêm trọng đúng vào tuần khuyến mãi — tức là đúng vào lúc rủi ro tài chính lớn nhất.

Cách xử lý: tách luồng xử lý riêng cho hàng khuyến mãi và hàng mới. Yêu cầu bộ phận thương mại đăng ký kế hoạch khuyến mãi vào hệ thống trước một khoảng thời gian cố định. Đây là thay đổi về quy trình liên phòng ban, không phải về mô hình — và thường là thay đổi khó nhất trong toàn bộ dự án.

3. Bỏ mặc việc ghi đè thủ công tại cửa hàng

Biểu hiện: hệ thống gợi ý, cửa hàng sửa, không ai biết vì sao. Sau sáu tháng, hệ thống trở thành trang trí.

Cách xử lý: bắt buộc chọn lý do ghi đè từ danh sách ngắn (tối đa 5–6 lựa chọn). Báo cáo hằng tháng về tỷ lệ ghi đè theo cửa hàng và theo nhóm hàng. Coi cửa hàng có tỷ lệ ghi đè cao là nơi cần điều tra nguyên nhân, không phải nơi cần khiển trách.

4. Không định nghĩa KPI trước khi bắt đầu

Biểu hiện: sau sáu tháng, không ai chứng minh được dự án có hiệu quả hay không, và đề xuất mở rộng bị treo vô thời hạn.

Cách xử lý: chốt bốn chỉ số ở chương trên, đo đường cơ sở tối thiểu 8–12 tuần trước khi triển khai, và chọn nhóm cửa hàng đối chứng để so sánh.

5. Dừng ở PoC

Biểu hiện: thử nghiệm trên 5 cửa hàng và 200 SKU cho kết quả tốt, rồi dự án không bao giờ mở rộng.

Nguyên nhân thật: PoC được thiết kế để chứng minh mô hình hoạt động, nhưng câu hỏi cần trả lời để mở rộng lại là câu hỏi khác — quy trình vận hành có chịu được không, ai chịu trách nhiệm khi đơn hàng tự động sai, đội ngũ tại 300 cửa hàng được đào tạo thế nào.

Cách xử lý: thiết kế PoC với tiêu chí thành công bao gồm cả tính khả thi vận hành, không chỉ độ chính xác kỹ thuật. Chọn cửa hàng thử nghiệm đa dạng (có cả cửa hàng ở tỉnh, thời gian chờ dài) thay vì chọn những cửa hàng tốt nhất.

Nền tảng dữ liệu: POS, WMS, ERP và hệ thống sản xuất

Quản lý tồn kho bằng AI không phải là một phần mềm độc lập. Nó là một lớp phân tích nằm trên nền tảng dữ liệu hiện có, và chất lượng của nó bị giới hạn bởi mắt xích yếu nhất.

POS cung cấp tín hiệu nhu cầu. Yêu cầu tối thiểu: dữ liệu ở mức dòng hóa đơn, có dấu thời gian, có mã SKU chuẩn, đồng bộ hằng ngày. Nếu POS chỉ xuất báo cáo tổng hợp theo tuần, cần xử lý trước tiên.

WMS cung cấp tồn kho và thời gian chờ thực tế tại trung tâm phân phối. Điểm thường yếu: thời gian chờ được lưu dưới dạng tham số cố định thay vì phân phối thực đo. Trong khi đó, chính độ biến động của thời gian chờ — chứ không phải giá trị trung bình — mới quyết định mức tồn kho an toàn. Với mạng lưới trải rộng về tỉnh, độ biến động này lớn hơn hẳn so với vận hành nội thành. Chủ đề này được bàn kỹ hơn trong bài Chuyển đổi số logistics Đông Nam Á 2026: tự động hóa kho hàng và WMS.

ERP giữ dữ liệu chủ, giá vốn, điều khoản nhà cung cấp và đơn đặt hàng. Đây thường là nơi phát sinh vấn đề đồng bộ mã sản phẩm giữa các hệ thống.

Hệ thống quản lý sản xuất liên quan với doanh nghiệp có nhà máy riêng hoặc gia công nhãn hàng riêng. Khi dự báo nhu cầu bán lẻ được nối với kế hoạch sản xuất, bạn có được vòng lặp khép kín từ kệ hàng đến dây chuyền. Đây cũng là điểm giao giữa bài toán bán lẻ và bài toán nhà máy — bối cảnh tự động hóa nhà máy tại Việt Nam được trình bày trong bài Tự động hóa nhà máy Việt Nam 2026: lộ trình 4 giai đoạn và chi phí đầu tư.

AI-OCR cho chứng từ nhà cung cấp là mắt xích hay bị bỏ quên. Ở nhiều chuỗi tại Việt Nam, phiếu giao hàng và hóa đơn của nhà cung cấp địa phương — đặc biệt là nhà cung cấp hàng tươi tại tỉnh — vẫn ở dạng giấy. Nếu số lượng nhận thực tế chỉ được nhập tay sau vài ngày, dữ liệu tồn kho luôn trễ và luôn sai lệch so với thực tế. Số hóa bước này bằng AI-OCR cải thiện độ chính xác tồn kho ngay lập tức, thường với chi phí thấp hơn nhiều so với một dự án AI dự báo. Chi tiết cách tiếp cận nằm trong bài AI-OCR tự động hóa văn phòng cho nhà máy tại Việt Nam 2026.

Truy xuất nguồn gốc trở thành yêu cầu bắt buộc khi danh mục hàng tươi mở rộng. Dữ liệu lô và hạn dùng phục vụ cả mục đích an toàn thực phẩm lẫn mục đích tối ưu tồn kho — cùng một tập dữ liệu, hai giá trị sử dụng. Xem thêm Hệ thống truy xuất nguồn gốc nhà máy thực phẩm 2026: FSMA 204, HACCP và IoT.

Thứ tự ưu tiên mà chúng tôi khuyến nghị: độ chính xác tồn kho tại điểm bán → dữ liệu chủ → dữ liệu khuyến mãi → tín hiệu bên ngoài. Đảo ngược thứ tự này là sai lầm phổ biến nhất, và cũng là sai lầm tốn kém nhất.

Các bước triển khai và tổ chức nội bộ

Câu hỏi “ai quyết định, ai vận hành” thường quan trọng hơn câu hỏi “chọn nhà cung cấp nào”.

Người bảo trợ dự án nên là giám đốc vận hành hoặc giám đốc chuỗi cung ứng — người chịu trách nhiệm về cả doanh thu lẫn tồn kho. Nếu người bảo trợ là giám đốc CNTT, dự án có xu hướng biến thành dự án hệ thống và mất kết nối với kết quả kinh doanh.

Chủ sở hữu dữ liệu cần là một vai trò được chỉ định rõ, có thẩm quyền quyết định về dữ liệu chủ và có nguồn lực để dọn dẹp. Không thể là “trách nhiệm chung của mọi người”.

Đội hoạch định nhu cầu vận hành hệ thống hằng ngày: xử lý ngoại lệ, phê duyệt hàng khuyến mãi, phân tích ghi đè. Với chuỗi vài trăm cửa hàng, thường chỉ cần 2–4 người, nhưng họ phải hiểu cả nghiệp vụ lẫn dữ liệu.

Đại diện vận hành cửa hàng cần tham gia từ đầu, không phải ở giai đoạn đào tạo. Người trực tiếp đặt hàng biết những ràng buộc mà không hệ thống nào ghi lại — sức chứa tủ mát, giờ xe tải tới, thói quen mua sắm của khu vực.

Các bước triển khai theo thứ tự: (1) đo đường cơ sở bốn chỉ số; (2) kiểm toán dữ liệu chủ và độ chính xác tồn kho; (3) xác định phạm vi thí điểm gồm nhóm cửa hàng đa dạng và nhóm ngành hàng ưu tiên; (4) triển khai giai đoạn 1–2 với tiêu chí thành công đã thống nhất bằng văn bản; (5) đánh giá có nhóm đối chứng; (6) mở rộng theo cụm địa lý, không mở rộng đồng loạt toàn quốc.

Câu hỏi thường gặp

Dự báo nhu cầu bằng AI cần bao nhiêu dữ liệu lịch sử?

Thông thường cần tối thiểu 12–24 tháng để mô hình học được quy luật mùa vụ theo năm, đặc biệt là chu kỳ Tết vốn có tác động rất lớn tại Việt Nam. Tuy nhiên, nếu bạn có mạng lưới nhiều cửa hàng, mô hình global có thể bù đắp phần nào cho lịch sử ngắn, vì dữ liệu được gộp theo chiều rộng danh mục và mạng lưới. Chất lượng dữ liệu quan trọng hơn độ dài: 12 tháng dữ liệu sạch tốt hơn 36 tháng dữ liệu có mã sản phẩm lộn xộn.

Hệ thống đặt hàng tự động có phù hợp với chuỗi dưới 50 điểm bán không?

Có, nhưng cách tính giá trị khác. Với chuỗi nhỏ, lợi ích chính thường không phải là giảm tồn kho mà là giảm phụ thuộc vào kinh nghiệm cá nhân và giảm giờ công. Ở quy mô nhỏ, một quản lý giỏi có thể đặt hàng tốt bằng trực giác — vấn đề là năng lực đó không nhân bản được khi bạn mở cửa hàng thứ 60, 70. Nếu doanh nghiệp bạn đang trong giai đoạn mở rộng nhanh, thời điểm hợp lý để chuẩn hóa là trước khi mở rộng, không phải sau.

Làm sao để tối ưu hóa tồn kho với hàng tươi sống hạn dùng ngắn?

Nhóm hàng này cần cấu hình riêng. Hàm mục tiêu không phải là độ chính xác dự báo mà là cân bằng chi phí giữa hết hàng và hủy hàng, có tính đến hạn dùng còn lại khi hàng lên kệ. Cần thêm ba yếu tố: dự báo theo phần trong ngày (sáng/chiều/tối) với hàng chế biến sẵn, chính sách giảm giá cận hạn được đưa vào mô hình như một biến quyết định, và dữ liệu hủy hàng ghi nhận theo lý do. Với cửa hàng ở tỉnh có thời gian vận chuyển dài, hãy đặt mức phục vụ mục tiêu thấp hơn cho nhóm hàng này một cách có chủ đích — cố đạt cùng mức phục vụ như nội thành sẽ tạo ra tỷ lệ hủy không thể chấp nhận được.

Chuyển đổi số bán lẻ nên bắt đầu từ POS hay từ kho?

Bắt đầu từ nơi dữ liệu sai nhiều nhất. Trong đa số trường hợp tại Việt Nam, đó là độ chính xác tồn kho tại điểm bán, không phải POS. POS thường đã ghi nhận đúng những gì đã bán; điều không đúng là con số tồn kho hệ thống so với hàng thực có trên kệ và trong kho sau quầy. Không có tồn kho chính xác thì mọi lớp phía trên đều vô nghĩa.

Giảm hết hàng và giảm tồn kho có mâu thuẫn nhau không?

Với một mức chính xác dự báo cố định thì có — đó là một đánh đổi. Nhưng khi độ chính xác dự báo được cải thiện, toàn bộ đường cong đánh đổi dịch chuyển, và bạn có thể cải thiện cả hai cùng lúc. Đây chính là giá trị cốt lõi của AI trong bài toán này. Điều cần lưu ý: mức cải thiện không phân bố đều — nhóm hàng có nhu cầu ổn định cải thiện nhiều, nhóm hàng dài đuôi bán rất chậm gần như không cải thiện. Hãy kỳ vọng theo nhóm ngành hàng, đừng kỳ vọng theo con số trung bình toàn danh mục.

Bán lẻ hiện đại Việt Nam mở rộng về tỉnh — cần thay đổi gì trong cách đặt hàng?

Ba thay đổi. Thứ nhất, thiết lập tham số riêng theo cụm địa lý thay vì dùng chung tham số toàn quốc, vì thời gian chờ và độ biến động khác nhau rõ rệt. Thứ hai, xây dựng mô hình tương đồng cửa hàng để khởi tạo dự báo cho cửa hàng mới, và ghi nhận thuộc tính cửa hàng có cấu trúc ngay từ ngày khai trương. Thứ ba, theo dõi chỉ số tách riêng theo khu vực — báo cáo tổng hợp toàn quốc sẽ che giấu vấn đề hết hàng tại tỉnh khi các cửa hàng nội thành vẫn hoạt động tốt.

Có nên dùng dữ liệu thị trường Thái Lan hoặc khu vực để làm chuẩn so sánh không?

Nên thận trọng. Cấu trúc kênh phân phối, mật độ điểm bán, tỷ trọng thương mại truyền thống và khung pháp lý về thực phẩm giữa các thị trường ASEAN khác nhau đáng kể. Các số liệu về mạng lưới cửa hàng tiện lợi hay lãng phí thực phẩm thường được trích dẫn của Thái Lan là số liệu của Thái Lan, không áp dụng cho Việt Nam. Nếu cần chuẩn so sánh cho quyết định đầu tư, hãy dùng dữ liệu Việt Nam hoặc dữ liệu nội bộ của chính doanh nghiệp bạn.

Kết luận

Ba điều đáng ghi nhớ. Thứ nhất, hết hàng và tồn kho ứ đọng là cùng một bài toán, và cách duy nhất để cải thiện cả hai là thu hẹp sai số dự báo — không phải điều chỉnh hệ số an toàn. Thứ hai, tại Việt Nam năm 2026, yếu tố thúc đẩy không phải là công nghệ mà là quy mô: gần 1.900 cửa hàng mở mới trong một năm, hơn một nửa mạng lưới nằm ngoài đô thị lớn, thời gian chờ dài hơn và biến động hơn. Việc đặt hàng thủ công theo kinh nghiệm không mở rộng được theo nhịp độ đó. Thứ ba, phần khó nhất không phải là mô hình mà là dữ liệu chủ, độ chính xác tồn kho tại điểm bán và quy trình liên phòng ban cho hàng khuyến mãi.

TOMAS TECH CO., LTD. là đơn vị tích hợp hệ thống có trụ sở tại Bangkok, đồng hành cùng các doanh nghiệp sản xuất, logistics và bán lẻ tại Thái Lan và khu vực Đông Nam Á — bao gồm cả các công ty Nhật Bản có pháp nhân tại Việt Nam — trong các dự án hệ thống quản lý sản xuất, giám sát thiết bị bằng IoT, AI-OCR và phát triển phần mềm theo yêu cầu. Nếu bạn đang cân nhắc bước đầu tiên cho bài toán tồn kho và muốn đánh giá mức độ sẵn sàng của dữ liệu trước khi cam kết ngân sách, chúng tôi sẵn sàng trao đổi trên cơ sở thực trạng vận hành của bạn.

Nguồn tham khảo

• Mordor Intelligence — Vietnam Retail Industry Report: https://www.mordorintelligence.com/industry-reports/retail-industry-in-vietnam
• Vietnam.vn — Thị trường bán lẻ 2026: dư địa tăng trưởng trong chu kỳ mới: https://www.vietnam.vn/en/thi-truong-ban-le-2026-du-dia-tang-truong-trong-chu-ky-moi
• The Investor — Vietnam’s convenience store boom shifts beyond major cities as chains race for scale: https://theinvestor.vn/vietnams-convenience-store-boom-shifts-beyond-major-cities-as-chains-race-for-scale-d19128.html
• Q&Me — Vietnam Modern Trade Retail Trends 2026: https://qandme.net/en/report/vietnam-modern-trade-retail-trends-2026.html
• Innoflexion — AI in Retail Inventory Operations: https://www.innoflexion.com/blog/ai-retail-inventory-operations
• Invent.ai — How to Choose AI Retail Inventory Software in 2026: https://www.invent.ai/blog/how-to-choose-ai-retail-inventory-software-in-2026
• Appinventiv — AI for Demand Forecasting: https://appinventiv.com/blog/ai-for-demand-forecasting/
• LatentView — Demand Forecasting in Retail: https://www.latentview.com/blog/demand-forecasting-in-retail/
• 7thonline — AI-Driven Demand Forecasting for Retail (2026): https://www.7thonline.com/post/ai-driven-demand-forecasting-for-retail-how-machine-learning-is-transforming-inventory-planning-in-2026/
• Magee — Báo cáo về dự báo nhu cầu bằng AI và giảm lãng phí thực phẩm (2026): https://magee.co.jp/news/2026-04-14-ai-demand-forecasting-food-waste-reduction-2026-t4