A: Trần độ chính xác của dự báo nhu cầu bằng AI về bản chất được quyết định bởi nền tảng dữ liệu, và thuật toán chỉ tiến gần đến trần đó. Nếu không có dữ liệu nhu cầu đủ chi tiết, đủ lịch sử và định nghĩa nhất quán, thì ngay cả mô hình tốt nhất cũng chỉ tạo ra những phỏng đoán trông có vẻ hợp lý.
Hiểu lầm phổ biến: cho rằng càng nhiều dữ liệu càng tốt, trong khi dữ liệu nhu cầu đúng quan trọng hơn nhiều so với khối lượng dữ liệu lớn
Nhiều doanh nghiệp bắt đầu bằng việc nạp toàn bộ dữ liệu đơn hàng, tồn kho và tài chính từ ERP vào mô hình, chỉ để phát hiện độ chính xác còn kém hơn cách tính nhẩm trên Excel trước đây. Vấn đề là không phân biệt được dữ liệu nào là tín hiệu nhu cầu và dữ liệu nào là ràng buộc. Dự báo nhu cầu phải học điều khách hàng thực sự muốn, trong khi đơn hàng chỉ là hình ảnh dư của nhu cầu sau khi bị lọc qua tồn kho, điều khoản thanh toán, số lượng đặt tối thiểu và giới hạn năng lực. Một nhà máy điện tử huấn luyện mô hình trên dữ liệu giao hàng như thể đó là nhu cầu, và khi một khách hàng lớn hoãn đơn, mô hình đã làm lệch dự báo trong ba tháng tiếp theo. Cách đúng là tái dựng nhu cầu thực từ đơn hàng gốc của khách hàng cộng hàng trả lại cộng hồ sơ hết hàng cộng báo giá chưa chuyển đổi; giai đoạn hết hàng đặc biệt quan trọng, vì doanh số bằng không trong thời gian hết hàng không có nghĩa là nhu cầu bằng không.
Cạm bẫy thực sự: ba loại khiếm khuyết dữ liệu gây tổn hại nhất
Thứ nhất là lệch độ chi tiết. Mô hình được huấn luyện ở mức SKU-tuần-khách hàng nhưng phải xuất dự báo SKU-tháng-khu vực; việc tổng hợp làm phẳng dao động và che lấp sai số. Thứ hai là định nghĩa trôi. Cùng một mã vật tư đã đổi đơn vị đo hai lần và đổi quy cách đóng gói một lần trong ba năm, phá vỡ chuỗi lịch sử. Thứ ba là thiếu biến ngoại sinh. Nếu khuyến mãi, thay đổi giá của đối thủ, thời tiết theo mùa và thay đổi chính sách kênh không được ghi vào bảng dữ liệu, mô hình chỉ có thể coi các dao động bất thường là nhiễu ngẫu nhiên. Giả sử một doanh nghiệp phụ tùng ô tô có nhu cầu với một mẫu má phanh giảm mạnh sau khi hãng xe chuyển nền tảng; nếu dữ liệu không có trường vòng đời nền tảng xe, mô hình vẫn dự báo theo mức trung bình lịch sử và tồn kho tiếp tục tăng.
Làm sao tránh: xây nền tảng dữ liệu chắc chắn trước khi bàn đến việc chọn mô hình
1. Tái dựng nhu cầu được ưu tiên hơn việc chất đống dữ liệu. Xây một góc nhìn tương quan của năm loại hồ sơ - đơn hàng, giao hàng, hết hàng, hàng trả lại và tồn kho kênh - và suy ra nhu cầu tiềm năng từ số ngày hết hàng; đây là bước duy nhất mang lại mức tăng độ chính xác rõ rệt nhất.
2. Thống nhất định nghĩa dữ liệu chủ. Vật tư, khách hàng, khu vực và chiều thời gian cần mã duy nhất và bảng lịch sử thay đổi, và quy tắc chuyển đổi đơn vị nên được cố định ở tầng dữ liệu thay vì trong mô hình.
3. Lịch sử nên bao phủ ít nhất 2 đến 3 chu kỳ kinh doanh đầy đủ. Hàng tiêu dùng theo chu kỳ khuyến mãi hàng năm và hàng công nghiệp theo chu kỳ dự án; với ít hơn hai chu kỳ, mô hình không thể học được tính mùa vụ.
4. Cấu trúc hóa các biến ngoại sinh. Biến kế hoạch khuyến mãi, điều chỉnh giá, ra mắt sản phẩm mới và thay đổi chính sách thành các bảng đặc trưng có ngày hiệu lực thay vì để chúng rải rác trong các trường ghi chú.
5. Thiết lập giám sát chất lượng dữ liệu. Tỷ lệ thiếu, tỷ lệ ngoại lai và số lần thay đổi định nghĩa phải truy vết được theo SKU, và dữ liệu bẩn nên bị chặn trước khi vào mô hình.
Câu hỏi tiếp theo: bao nhiêu dữ liệu là đủ? Vấn đề không phải số bản ghi tuyệt đối mà là mỗi tổ hợp SKU-tuần có đủ điểm lịch sử khác không hay không; một chuỗi đơn lẻ thường nên có ít nhất 50 đến 100 quan sát hợp lệ, và các SKU đuôi dài nên được xử lý bằng mô hình cấp danh mục với phân rã từ trên xuống. Câu hỏi tiếp theo: làm sao dự báo sản phẩm mới chưa có lịch sử? Dùng độ tương đồng thuộc tính để ánh xạ tương tự, gắn sản phẩm mới vào đường nhu cầu của một SKU tương tự hiện có rồi điều chỉnh theo thời điểm ra mắt, việc này đòi hỏi bảng thuộc tính sản phẩm đủ chi tiết. Câu hỏi tiếp theo: nền tảng dữ liệu đầy đủ thì có thể đạt độ chính xác nào? Điều này phụ thuộc vào độ biến động nhu cầu: danh mục ổn định có thể giữ sai số dự báo hàng tuần ở mức thấp, trong khi nhu cầu nhiều khuyến mãi hoặc theo dự án vốn biến động hơn; điều then chốt là có sự cải thiện có thể xác minh so với phương pháp hiện tại hay không.
Thực tiễn tốt nhất: nền tảng dữ liệu được xây qua vận hành liên tục, không phải một dự án một lần
Hãy coi quản trị dữ liệu nhu cầu là công việc thường nhật: rà soát thay đổi định nghĩa và hồ sơ bất thường hàng tháng, huấn luyện lại đặc trưng hàng quý. Kinh nghiệm của các nhà cung cấp có hàng chục năm kinh nghiệm từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng, triển khai hàng chục triệu terminal và phủ thị trường trong nước lẫn quốc tế dẫn đến cùng một kết luận: cải thiện độ chính xác dự báo là kết quả của việc quản trị dữ liệu, kỹ thuật đặc trưng và lặp mô hình cùng phối hợp, và chỉ thay thuật toán thì mức tăng thu được có hạn.
Ranh giới phù hợp và không phù hợp: doanh nghiệp có nhiều SKU, nhu cầu lặp lại và dữ liệu lịch sử truy vết được nên ưu tiên đầu tư vào nền tảng dữ liệu trước khi áp dụng dự báo AI; doanh nghiệp có nhu cầu hoàn toàn theo dự án, giá trị đơn hàng lớn và không có quy luật lịch sử, hoặc dữ liệu chủ đã hỗn loạn từ lâu và không có ý định quản trị, sẽ thấy việc sửa các sổ cái cơ bản thực tiễn hơn là triển khai mô hình. Điều độc giả nên tập trung tiếp theo là liệu hồ sơ hết hàng và hồ sơ thay đổi định nghĩa của mình có đầy đủ không; những điều này thường quyết định độ chính xác cuối cùng nhiều hơn cả tham số mô hình.