A: Hiểu lầm lớn nhất là theo đuổi “độ chính xác dự báo” như một chỉ số duy nhất, bỏ qua khác biệt về định nghĩa thống kê, phân khúc nghiệp vụ và giá trị quyết định - nhiều doanh nghiệp chỉ nhìn một con số MAPE tổng thể và tối ưu nó, nhưng kho vẫn hết thứ cần và vẫn chất đống thứ không cần.
Dưới đây là phần bóc tách từng bước để bạn đối chiếu tình huống của mình khi đánh giá hoặc thúc đẩy dự báo nhu cầu bằng AI.
Bước 1: làm rõ độ chính xác được tính thế nào; đừng so sánh những con số đo bằng thước khác nhau
Cách phổ biến là MAPE (sai số phần trăm tuyệt đối trung bình), nhưng nó cực kỳ bất lợi với SKU bán ít: một linh kiện bán 2 chiếc một ngày mà dự báo 4 chiếc thì sai số 100 phần trăm, trong khi tác động nghiệp vụ không đáng kể. Cách hợp lý hơn là chỉ số phân khúc - MAPE hoặc WAPE cho SKU bán nhiều, độ lệch và tỷ lệ hết hàng cho mặt hàng tần suất thấp đuôi dài, và độ phủ khoảng dự báo cho sản phẩm mới. Nếu nghe “chúng tôi đạt độ chính xác 95 phần trăm”, câu hỏi đầu tiên nên hỏi là: tính thế nào, và trên phân khúc SKU nào?
Bước 2: đừng đánh đồng độ chính xác dự báo với sức khỏe tồn kho
Dự báo chính xác không có nghĩa là tồn kho đúng. Giả sử một công ty phụ tùng ô tô giảm sai số dự báo linh kiện chính từ 30 phần trăm xuống 15 phần trăm, nhưng nếu tham số tồn kho an toàn, thời gian cung ứng bổ sung và lượng đặt hàng tối thiểu không được điều chỉnh tương ứng thì vẫn có hàng chết và vẫn hết hàng. Đầu ra của dự báo nhu cầu là phân phối nhu cầu tương lai; cái thực sự quyết định tồn kho là chính sách bổ sung hàng. Khi đánh giá dự báo AI, hãy xem sai số dự báo cùng với vòng quay tồn kho, tỷ lệ hết hàng và giá trị hàng chết phát sinh - chỉ nhìn độ chính xác là tự khen mình.
Bước 3: cẩn thận với độ chính xác bị thổi phồng do huấn luyện bằng thông tin tương lai
Đây là cái bẫy kỹ thuật phổ biến nhất. Nếu kỹ thuật đặc trưng bao gồm các trường chỉ sinh ra sau khi đặt hàng (như số lượng thực xuất hoặc đơn hàng được điều chỉnh sau đó), mô hình sẽ thể hiện rực rỡ trong kiểm thử ngược và sụp đổ khi vào sản xuất. Hãy kiểm tra xem nhà cung cấp có chia tách chuỗi thời gian nghiêm ngặt và dùng kiểm chứng cuốn tiếp thay vì chia ngẫu nhiên hay không. Ngoài ra, các sự kiện như khuyến mại và mua sắm số lượng lớn của khách hàng lớn nên được mô hình hóa riêng bằng phương pháp nhân quả hoặc dựa trên quy tắc; ép chúng vào mô hình thống kê khiến con số độ chính xác trông đẹp nhưng không giải thích được.
Bước 4: phân biệt “chính xác về thống kê” với “hữu ích cho quyết định”
Chuỗi cung ứng cần không phải một đường cong chính xác mà là đầu vào quyết định hỗ trợ bổ sung hàng, lập kế hoạch và điều chuyển. Điểm đau thật của một nhà máy điện tử thường không phải sai số tổng thể mà là việc đánh giá thấp có hệ thống ở một vài mã linh kiện then chốt. Vì vậy cách thực dụng hơn: với vật tư nhóm A hãy xem độ lệch có hiệu chỉnh được không, với vật tư đuôi dài hãy xem khoảng dự báo có đủ rộng để bao phủ biến động không. Giá trị của dự báo nhu cầu bằng AI là cung cấp phân phối và khoảng tin cậy, không phải một giá trị điểm giả vờ chính xác.
Câu hỏi liên quan 1: cải thiện độ chính xác bao nhiêu thì được coi là có ý nghĩa?
Không có ngưỡng cố định; nó phụ thuộc vào chu kỳ bổ sung hàng và chi phí hết hàng của bạn. Với nhóm có thời gian cung ứng dài và chi phí hết hàng cao, việc giảm sai số mang lại lợi ích rõ hơn; với nhóm chu kỳ ngắn, bổ sung nhanh, lợi ích biên là hạn chế. Tiêu chí nên là sự thay đổi đồng thời của vòng quay tồn kho và tỷ lệ đáp ứng đơn hàng.
Câu hỏi liên quan 2: dự báo AI có thể thay thế hoàn toàn phán đoán của con người không?
Không. Với các sự kiện thưa như kế hoạch khuyến mại, đấu thầu của khách hàng lớn và thay đổi chính sách, mô hình thiếu mẫu lịch sử và cần con người đưa vào làm yếu tố điều chỉnh. Một kiến trúc lành mạnh để mô hình tạo đường cơ sở, bộ phận kế hoạch và kinh doanh chồng thêm sự kiện, và các điều chỉnh của con người được ghi lại để phản hồi vào mô hình.
Câu hỏi liên quan 3: dữ liệu phải được chuẩn bị đến mức nào trước khi áp dụng dự báo AI?
Tối thiểu cần hai đến ba năm lịch sử theo ngày hoặc theo tuần, dữ liệu chủ SKU tương đối sạch và cờ khuyến mại. Lịch sử quá ngắn, mã SKU bị đổi thường xuyên và thiếu ghi nhận khuyến mại đều làm sai lệch con số độ chính xác. Hãy làm quản trị dữ liệu trước khi bàn đến mô hình; đảo ngược thứ tự dễ làm lãng phí đầu tư.
Phù hợp và không phù hợp: tình huống sản xuất và bán lẻ có nhiều SKU, nhu cầu lịch sử có quy luật và chu kỳ bổ sung hàng dài phù hợp dự báo đường cơ sở bằng AI với đánh giá phân khúc; tình huống có tỷ lệ sản phẩm mới rất cao, đơn hàng hoàn toàn theo dự án riêng, hoặc lịch sử dưới hai năm thì nên sắp xếp dữ liệu chủ và quy tắc bổ sung hàng thay vì chạy theo độ chính xác. Việc cần tập trung tiếp theo: yêu cầu nhà cung cấp giải thích định nghĩa chỉ số, phương pháp kiểm thử ngược và cách đầu ra dự báo đi vào quyết định bổ sung hàng, chứ không chỉ một con số phần trăm độ chính xác.