AI quản lý chuỗi cung ứng cho SMB

Chuỗi cung ứng SMB Việt Nam: Chạy bằng kinh nghiệm và Excel

Tôi hỏi một câu hỏi đơn giản với chủ doanh nghiệp phân phối mỹ phẩm ở Đà Nẵng: "Anh biết chính xác lúc này trong kho có bao nhiêu SKU, bao nhiêu đơn vị mỗi SKU không?"

Anh ấy cười: "Biết đại khái thôi anh. Phải kiểm kê mới biết chính xác."

Đây là thực trạng phổ biến. Theo khảo sát không chính thức mà John&Partners thực hiện với 60 doanh nghiệp SMB năm 2025:

• 72% quản lý tồn kho bằng Excel hoặc sổ tay
• 65% đặt hàng nhà cung cấp dựa trên "cảm giác" và "kinh nghiệm"
• 45% đã từng bị mất doanh thu vì hết hàng hot
• 58% đang giữ tồn kho dư thừa chiếm 25-40% vốn lưu động

Với SMB, vốn lưu động là máu. Tồn kho dư thừa 30% có nghĩa là 30% tiền đang nằm chết trong kho thay vì sinh lời.

AI có thể làm gì cho chuỗi cung ứng SMB?

Nhiều người nghĩ AI supply chain là thứ xa xỉ của Samsung hay Unilever. Sai. Ngày nay, với chi phí vài triệu đồng/tháng, SMB có thể tiếp cận sức mạnh AI tương tự — ở quy mô phù hợp.

1. Dự báo nhu cầu (Demand Forecasting)

Vấn đề: Đặt hàng bao nhiêu cho tháng tới? Quá nhiều → tồn kho chết. Quá ít → hết hàng mất khách.

AI giải quyết:

• Phân tích data bán hàng lịch sử (12-24 tháng)
• Tính toán seasonality: Tết, mùa hè, Black Friday, 11.11
• Tích hợp yếu tố bên ngoài: thời tiết (ảnh hưởng ngành F&B, nông sản), sự kiện, trend thị trường
• Output: Dự báo demand theo SKU, theo tuần, theo kênh bán

Công cụ thực tế: Python + Prophet (miễn phí, open source) hoặc Google Sheets + GPT API. Không cần data scientist full-time.

Kết quả điển hình: Giảm sai số dự báo từ 35-40% (kinh nghiệm) xuống 10-15% (AI). Với doanh nghiệp 100 tỷ doanh thu, giảm 20% sai số dự báo = tiết kiệm 3-5 tỷ tồn kho.

2. Tối ưu tồn kho (Inventory Optimization)

Vấn đề: Giữ bao nhiêu hàng là đủ? Safety stock bao nhiêu? Reorder point ở đâu?

AI giải quyết:

• Tính toán EOQ (Economic Order Quantity) động — thay đổi theo demand forecast
• Safety stock tối ưu theo service level mong muốn (95%? 99%?)
• ABC-XYZ analysis tự động: phân loại SKU theo doanh thu (ABC) và biến động (XYZ)
• Alert tự động khi tồn kho gần reorder point

Ví dụ thực tế: Thay vì giữ safety stock 30 ngày cho MỌI sản phẩm, AI phân tích và đề xuất:

• Sản phẩm A (bán chạy, ổn định): safety stock 7 ngày
• Sản phẩm B (bán trung bình, biến động): safety stock 14 ngày
• Sản phẩm C (bán chậm, rất biến động): safety stock 21 ngày hoặc chuyển sang order-on-demand

3. Quản lý nhà cung cấp (Supplier Management)

AI giải quyết:

• Scoring nhà cung cấp tự động: thời gian giao hàng, chất lượng, giá cả, flexibility
• Phát hiện rủi ro: nhà cung cấp giao trễ 3 lần liên tiếp → AI alert và đề xuất backup supplier
• So sánh giá tự động: khi đặt hàng, AI check giá từ multiple suppliers, đề xuất best option
• Lead time prediction: dự báo thời gian giao hàng thực tế (không phải thời gian NCC hứa)

4. Logistics và phân phối (Last-mile)

AI giải quyết:

• Route optimization: Tối ưu lộ trình giao hàng, tiết kiệm 15-25% chi phí vận chuyển
• Dynamic pricing cho phí ship: Dựa trên khoảng cách, volume, thời gian
• Dự báo thời gian giao: Chính xác hơn cho khách hàng
• Warehouse slotting: AI đề xuất vị trí để hàng trong kho tối ưu cho picking

5. Phát hiện bất thường (Anomaly Detection)

AI giải quyết:

• Phát hiện thất thoát: Tồn kho hệ thống vs thực tế chênh lệch bất thường
• Phát hiện gian lận: Pattern đặt hàng bất thường, giá nhập bất thường
• Phát hiện sản phẩm sắp hết hạn: Alert trước 30-60 ngày, đề xuất khuyến mãi
• Phát hiện trend: Sản phẩm đang tăng/giảm demand bất thường

Case Study: Nhà phân phối Phương Nam (tên đã thay đổi)

Phương Nam — nhà phân phối thực phẩm chức năng tại TP.HCM và Đông Nam Bộ, 85 nhân viên, 1200 SKU, doanh thu 150 tỷ/năm.

Vấn đề:

• Tồn kho chiếm 38% doanh thu (~57 tỷ nằm trong kho)
• Out-of-stock rate: 12% (cứ 100 đơn hàng, 12 đơn thiếu ít nhất 1 SKU)
• 8% hàng hết hạn phải hủy mỗi năm (~4.5 tỷ mất trắng)
• Dự báo demand: manager từng vùng "ước lượng" → sai 30-45%
• Đặt hàng NCC: mỗi tháng 1 lần, lead time 2-4 tuần

Giải pháp AI Supply Chain (triển khai 14 tuần):

Phase 1 (Tuần 1-4): Data Foundation

• Kết nối dữ liệu bán hàng từ DMS (Distribution Management System) vào data warehouse
• Clean và standardize 24 tháng dữ liệu bán hàng
• Thiết lập master data: 1200 SKU, 500 điểm bán, 25 NCC

Phase 2 (Tuần 5-8): AI Demand Forecasting

• Deploy Prophet model cho top 200 SKU (chiếm 80% doanh thu)
• Tích hợp yếu tố: seasonality, ngày lễ Việt Nam, trend, promotion calendar
• Weekly forecast tự động, gửi cho team mua hàng mỗi thứ Hai

Phase 3 (Tuần 9-12): Inventory Optimization

• ABC-XYZ analysis tự động
• Dynamic safety stock và reorder point cho từng SKU
• AI alert: sắp hết hàng, tồn kho dư, hàng gần hết hạn
• Dashboard real-time: CEO thấy health của toàn bộ inventory

Phase 4 (Tuần 13-14): Supplier & Logistics

• Supplier scorecard tự động
• Đề xuất đặt hàng tối ưu: bao nhiêu, từ NCC nào, khi nào
• Route optimization cho 15 xe giao hàng

Kết quả sau 6 tháng:

Tổng đầu tư: 450 triệu (tư vấn + triển khai + 6 tháng vận hành) ROI năm đầu: Tiết kiệm + doanh thu tăng > 15 tỷ → ROI > 30x

Giám đốc Phương Nam: "Trước đây tôi quyết định đặt hàng bằng kinh nghiệm 20 năm. Hóa ra kinh nghiệm của tôi sai 35%. AI sai 12%. Tôi chấp nhận thua."

Bắt đầu từ đâu? Lộ trình 90 ngày

Ngày 1-30: Demand Forecasting

• Xuất dữ liệu bán hàng 12-24 tháng từ POS/ERP
• Dùng Google Sheets + ChatGPT để phân tích trend cơ bản
• Hoặc setup Prophet (Python) cho forecast tự động
• So sánh forecast AI vs forecast "cảm giác" → Thấy ngay sự khác biệt

Ngày 31-60: Inventory Optimization

• ABC analysis cho toàn bộ SKU
• Tính EOQ và safety stock tối ưu cho top 50 SKU
• Thiết lập reorder alert đơn giản (Google Sheets + email notification)

Ngày 61-90: Integration

• Kết nối forecast → reorder suggestion tự động
• Dashboard tồn kho real-time (Metabase hoặc Google Looker Studio)
• Review và fine-tune model dựa trên kết quả thực tế

Chi phí ước tính cho 90 ngày đầu: 50-150 triệu (tùy độ phức tạp), hoặc gần như miễn phí nếu team có người biết Python/data.

Lời khuyên từ thực chiến

Đừng cố build hệ thống supply chain AI hoàn hảo từ đầu. Bắt đầu từ demand forecasting — nó cho kết quả nhanh nhất và dễ đo lường nhất. Khi thấy forecast chính xác hơn kinh nghiệm, bạn và team sẽ có niềm tin để đi tiếp.

Tại Học viện FVN, khóa học "AI Business Operator" có module thực hành xây dựng AI Supply Chain cho SMB — từ data preparation, demand forecasting, đến inventory optimization. Bạn sẽ làm với dữ liệu thực của doanh nghiệp mình. Đăng ký tại Học viện FVN để tối ưu chuỗi cung ứng ngay hôm nay.