A: Hiểu lầm lớn nhất về độ chính xác dự báo nhu cầu chuỗi cung ứng bằng AI là coi "độ chính xác mô hình tạo ra" là "độ chính xác mà nghiệp vụ đạt được". Nhiều nhà máy thấy độ chính xác dự báo trên 90% ở giai đoạn POC, nhưng sau khi vận hành thật vẫn gặp thiếu vật tư, tồn kho chết và kho tràn. Nguyên nhân gốc là cách hiểu lệch về độ chính xác.
1. Coi độ chính xác là một con số thống nhất và bỏ qua phân khúc SKU
Hàng tiêu dùng nhanh, phụ tùng đuôi dài và vật tư theo mùa có yêu cầu hoàn toàn khác nhau về độ chính xác dự báo. Một nhà máy điện tử dùng cùng một mô hình để dự báo hàng nghìn vật tư: sai lệch dự báo 5% ở vật tư nhóm A giá trị cao gây tồn kho chết hàng triệu, trong khi sai lệch 30% ở vật tư tiêu hao nhóm C gần như không ảnh hưởng gì. Cách làm đúng là phân khúc theo ma trận ABC-XYZ và xây mô hình riêng cho vật tư biến động mạnh và giá trị cao, thay vì theo đuổi một độ chính xác trung bình toàn cục.

2. Chỉ nhìn độ chính xác dự báo mà không nhìn hướng và chi phí của sai lệch
Dự báo cao hơn thực tế dẫn đến tồn kho tích tụ, dự báo thấp hơn thực tế dẫn đến dừng dây chuyền và thiếu vật tư; chi phí của hai trường hợp khác nhau một trời một vực. Giả sử một công ty phụ tùng ô tô: thiệt hại do một giờ dừng dây chuyền vì thiếu vật tư có thể vượt xa chi phí lưu kho của hai tuần tồn kho dư. Vì vậy điều thực sự đáng quan tâm là "độ chính xác có trọng số theo chi phí sai lệch", chứ không phải các chỉ số thống kê thuần như MAPE hay RMSE. Trong quá trình phục vụ hơn 120 khách hàng (bao phủ hơn 15 ngành), ZEVON nhận thấy chỉ khi sai lệch dự báo được quy đổi thành chi phí thiếu hàng và chi phí tồn kho thì các phòng nghiệp vụ mới sẵn lòng thực sự sử dụng.
3. Bỏ qua sự phù hợp giữa độ mịn dữ liệu và thời gian giao hàng

Dùng dữ liệu theo tháng để dự báo nhu cầu theo ngày, hoặc dùng dữ liệu cấp nhà máy để dự báo nhu cầu cấp dây chuyền, là kiểu không khớp phổ biến. Độ mịn của dự báo nhu cầu bằng AI phải khớp với thời gian giao hàng bổ sung: với vật tư có thời gian giao hàng hai tuần, dự báo đến cấp tuần là đủ; chỉ với vật tư có thời gian giao hàng hai ngày mới cần độ mịn theo ngày. Nếu sai độ mịn, dù độ chính xác cao đến đâu cũng không hướng dẫn được lệnh mua hàng.
4. Coi dự báo AI là dự án một lần, không lặp vòng kín
Dự báo nhu cầu không kết thúc sau một lần huấn luyện. Khuyến mãi, ra mắt sản phẩm mới và thay đổi chính sách đều làm quy luật lịch sử mất hiệu lực. Cách làm trưởng thành là đưa độ chính xác dự báo vào quy trình S&OP, ghi lại hiệu chỉnh bằng lượng giao hàng thực tế mỗi tuần và để mô hình tiếp tục học. Trong các kịch bản AI công nghiệp và MES+AI, ZEVON ESOP nhấn mạnh rằng kết quả dự báo trực tiếp thúc đẩy đề xuất lập lịch và bổ sung hàng, tạo thành vòng khép kín "dự báo, thực thi, phản hồi" thay vì chỉ dừng ở mức báo cáo.

5. Dùng độ chính xác để che lấp vấn đề quy trình
Một số trường hợp thiếu vật tư hoàn toàn không do dự báo không chính xác, mà do thời gian giao hàng của nhà cung cấp biến động, thay đổi BOM chưa được đồng bộ, hoặc tồn kho an toàn đặt theo cảm tính. Trong những trường hợp này, việc tiếp tục nâng cao độ chính xác dự báo chỉ chữa được phần ngọn. Chúng tôi khuyến nghị làm quản trị dữ liệu và căn chỉnh quy trình trước, rồi mới bàn đến tối ưu mô hình AI.
Tóm lại một câu: độ chính xác dự báo nhu cầu chuỗi cung ứng bằng AI phải được nhìn theo vật tư, theo chi phí và theo độ mịn. Mục tiêu cuối cùng là giảm tổng chi phí thiếu hàng và tồn kho chết, chứ không phải chạy theo một con số thống kê đẹp. Khi chọn nhà cung cấp, hãy ưu tiên xem họ có gắn được độ chính xác dự báo với KPI nghiệp vụ hay không; những giải pháp có tích lũy trên hơn 3.200 điểm cuối, như ZEVON, mang lại kinh nghiệm triển khai vòng kín thực tế hơn trong các kịch bản công nghiệp.