Giới thiệu

Các chuỗi cung ứng hiện đại đang áp dụng các tác nhân AI để tự động hóa việc lập kế hoạch hàng tồn kho từ đầu đến cuối. Các tác nhân thông minh này kết hợp dự báo nhu cầu với logic bổ sung hàng tồn kho: chúng dự đoán doanh số bán hàng trong tương lai, tạo hoặc điều chỉnh đơn đặt hàng (PO), và thậm chí điều chuyển hàng tồn kho giữa các địa điểm. Quan trọng là, chúng tuân thủ các ràng buộc thực tế như thời gian giao hàng của nhà cung cấp, số lượng đặt hàng tối thiểu và lịch trình vận chuyển. Để hoạt động hiệu quả, chúng kết nối với các hệ thống cốt lõi – lấy dữ liệu thời gian thực từ các hệ thống ERP (Enterprise Resource Planning) và WMS (Warehouse Management) cũng như giao tiếp với các cổng thông tin của nhà cung cấp và nền tảng hậu cần. Nhờ đó, chúng không chỉ lập kế hoạch mức tồn kho mà còn giám sát hoạt động để phát hiện các trường hợp ngoại lệ. Chúng tôi sẽ giải thích cách các tác nhân này xử lý các trường hợp đặc biệt (quản lý ngoại lệ), giảm thiểu hiệu ứng bullwhip tai tiếng trong các đơn đặt hàng, và theo dõi tín hiệu rủi ro nhà cung cấp. Cuối cùng, chúng tôi sẽ thảo luận về cách các hệ thống này theo dõi hiệu suất của chính chúng thông qua các chỉ số chính (độ chính xác dự báo, tỷ lệ đáp ứng, và vốn lưu động) cho các cấp sản phẩm khác nhau.

Các tác nhân AI cho Dự báo và Bổ sung Hàng tồn kho

Một tác nhân dự báo hàng tồn kho là một phần mềm tự động dự báo nhu cầu, thiết lập các quy tắc đặt hàng lại và kích hoạt các hành động bổ sung hàng tồn kho. Ví dụ, một nhà cung cấp chuỗi cung ứng hàng đầu mô tả một Tác nhân Vận hành Hàng tồn kho “hướng sự chú ý đến các sự không khớp, các ngoại lệ và các vấn đề hệ thống” giữa cung và cầu (media.blueyonder.com). Tác nhân này chẩn đoán nguyên nhân gốc rễ (ví dụ: chậm trễ từ nhà cung cấp hoặc giới hạn năng lực) và đề xuất các giải pháp khắc phục như tìm nguồn thay thế hoặc đẩy nhanh đơn hàng (media.blueyonder.com). Tương tự, một Tác nhân Vận hành Mạng lưới giám sát toàn bộ mạng lưới đa doanh nghiệp: nó có thể “tự động hóa xác nhận đơn hàng, giải quyết tình trạng hết hàng, phân công nhà vận chuyển, cập nhật ETA dự đoán, [và] lên lịch lại cuộc hẹn” để đảm bảo hàng hóa đến đúng giờ và đầy đủ (media.blueyonder.com). Những ví dụ này cho thấy các tác nhân hoạt động với tốc độ máy móc để cân bằng hàng tồn kho và nhu cầu.

Các nhà cung cấp phần mềm lớn đang tích cực xây dựng các tác nhân như vậy. Chẳng hạn, Blue Yonder đã ra mắt các giải pháp nhận thức AI với các tác nhân chuyên biệt cho hoạt động tồn kho, kho bãi, logistics và mạng lưới (media.blueyonder.com) (media.blueyonder.com). Tương tự, Oracle Fusion SCM bao gồm các trợ lý AI như “Item Shortages Analysis Agent” (Tác nhân Phân tích Tình trạng Thiếu hàng) giúp phát hiện các mặt hàng hết hàng, kiểm tra nguồn cung đến và đề xuất các mặt hàng thay thế hoặc nguồn cung cấp khác (www.oracle.com). Các tác nhân này cũng có thể tự động hóa các tác vụ định kỳ – ví dụ, “Quote-to-Requisition Assistant” (Trợ lý Báo giá đến Đề xuất mua hàng) của Oracle sẽ thu thập báo giá nhà cung cấp qua email và tự động tạo yêu cầu mua hàng (www.oracle.com). Trên thực tế, các tác nhân đang chuyển đổi chuỗi cung ứng từ các quy tắc tĩnh sang một quy trình làm việc động, được định hướng bởi dữ liệu.

Nghiên cứu xác nhận sức mạnh của các phương pháp tiếp cận dựa trên tác nhân. Một nghiên cứu gần đây đã thiết kế một khuôn khổ học tăng cường sâu đa tác nhân cho các chuỗi cung ứng bán lẻ. Trong các thử nghiệm trên mạng lưới cửa hàng lớn với dữ liệu cảm biến thực tế, giải pháp đa tác nhân đã giảm lỗi dự báo khoảng ~18% và giảm tình trạng hết hàng khoảng ~23% so với các phương pháp truyền thống (www.mdpi.com). Điều này minh họa rằng khi các quyết định dự báo và bổ sung hàng tồn kho được học một cách đồng thời, các tác nhân có thể tăng cường hiệu quả đáng kể. Gartner cũng dự đoán sự thay đổi này: họ dự đoán rằng đến năm 2030, khoảng 50% các giải pháp chuỗi cung ứng từ đầu đến cuối sẽ sử dụng “AI tác nhân” để thực hiện các quyết định một cách tự chủ (www.gartner.com). Trên thực tế, Gartner hình dung các tác nhân có thể “tự động mua hàng hóa dựa trên mức tồn kho, nhu cầu dự kiến và điều kiện thị trường” (www.gartner.com). Tổng hợp lại, các ví dụ từ ngành và nghiên cứu cho thấy các tác nhân AI đang định nghĩa lại việc lập kế hoạch hàng tồn kho thành một quy trình tự động, có thể thực hiện được.

Tích hợp với ERP, WMS, Nhà cung cấp và Logistics

Để các tác nhân AI hoạt động, chúng phải khai thác dữ liệu và hệ thống của doanh nghiệp. Tích hợp ERP của tác nhân là rất cần thiết: nó cần lịch sử bán hàng kịp thời, hàng tồn kho hiện có, các đơn hàng đang mở và các khoản nhập hàng dự kiến. Ví dụ, một hướng dẫn chuỗi cung ứng khuyến nghị “tích hợp các module ERP (Bán hàng, Mua hàng, Hàng tồn kho)” để công cụ dự báo có thể thấy số lượng lô hàng, hàng nhập dự kiến và các đơn đặt hàng đang chờ xử lý (blog.gettransport.com). Tương tự, tích hợp WMS cung cấp số lượng kho hàng và vị trí ô chứa theo thời gian thực. Nếu không có dữ liệu thống nhất này, các tác nhân sẽ thiếu khả năng hiển thị: dữ liệu ERP và WMS bị ngắt kết nối có thể che giấu sự mất cân bằng tồn kho cho đến khi quá muộn. Như một nguồn tin lưu ý, việc thu thập dữ liệu thống nhất từ ERP, WMS và TMS (vận tải) tạo ra một nguồn thông tin duy nhất “loại bỏ các khoảng trống hiển thị nơi các ngoại lệ phát sinh mà không bị phát hiện” (www.wildducks.io). Trên thực tế, các nền tảng hiện đại cung cấp các trình kết nối hoặc API cho các hệ thống ERP/WMS lớn (ví dụ: SAP, Oracle, Manhattan, v.v.) để các mô hình AI luôn thấy thông tin cung ứng cập nhật.

Các tác nhân cũng tích hợp với cổng thông tin nhà cung cấp và mạng lưới bên thứ ba. Nhiều công ty sử dụng trao đổi dữ liệu điện tử (EDI) hoặc các cổng thông tin để truyền PO và xác nhận đơn hàng. Các tác nhân AI có thể lắng nghe các luồng thông tin này – ví dụ: thông báo chậm trễ vận chuyển hoặc thời gian giao hàng được sửa đổi từ nhà cung cấp – và sau đó điều chỉnh kế hoạch. Các mạng lưới lớn (như hệ sinh thái được kết nối của BlueYonder hoặc mạng lưới đa tầng của E2open) chia sẻ dữ liệu tồn kho và mua hàng giữa các đối tác thương mại. Chẳng hạn, một mạng lưới đa doanh nghiệp được kết nối có thể tự động đồng bộ hóa mức tồn kho tại các nhà sản xuất theo hợp đồng hoặc kho của nhà cung cấp (www.e2open.com), cho phép các tác nhân tái cân bằng tồn kho trên toàn cầu. Các tác nhân AI cũng có thể tự động hóa các tương tác: “ASN Creation Assistant” (Trợ lý Tạo ASN) của Oracle đọc thông tin vận chuyển đến và cập nhật các khoản nhập hàng dự kiến mà không cần nhập dữ liệu thủ công (www.oracle.com). Về bản chất, các tác nhân thành công kết nối doanh nghiệp (ERP/WMS) và nguồn cung bên ngoài (hệ thống nhà cung cấp, dữ liệu hậu cần) thành một cái nhìn chuỗi cung ứng mạch lạc.

Xử lý Ngoại lệ và Giảm thiểu Hiệu ứng Bullwhip

Không có kế hoạch nào hoàn hảo khi thực hiện. Xử lý ngoại lệ là mạng lưới an toàn được tích hợp sẵn của các tác nhân. Một ngoại lệ là bất kỳ sự kiện nào đe dọa kế hoạch – sự tăng đột biến nhu cầu, giữ hàng do vấn đề chất lượng, lô hàng bị chậm trễ, hoặc thậm chí là sự không khớp hàng tồn kho. Các tác nhân tiên tiến được lập trình để phát hiện các bất thường một cách chủ động và hành động dựa trên chúng. Ví dụ, một hệ thống tự động có thể kích hoạt cảnh báo (hoặc hành động tự động) khi lỗi dự báo vượt quá ngưỡng hoặc việc giao hàng của nhà cung cấp bị chậm. Một bài viết gần đây mô tả quản lý ngoại lệ hiện đại: bằng cách tương quan dữ liệu ERP, WMS và lập kế hoạch, AI “phát hiện các mẫu từ 3–5 bước trước đó” và ưu tiên các cảnh báo theo tác động kinh doanh (www.wildducks.io). Thay vì đưa ra các cảnh báo mù quáng, nó cho các nhà hoạch định biết những tình trạng hết hàng hoặc chậm trễ nào thực sự đe dọa các đơn hàng quan trọng. Hệ thống sau đó có thể “đề xuất hoặc thực hiện các hành động khắc phục” – chẳng hạn, phân bổ lại hàng tồn kho giữa các trung tâm phân phối hoặc đẩy nhanh một bộ phận quan trọng trước khi dịch vụ khách hàng bị ảnh hưởng (www.wildducks.io) (www.wildducks.io). Thực tế, xử lý ngoại lệ biến nhiều cảnh báo cấp thấp thành những hiểu biết cấp cao, chuyển từ việc đối phó thụ động sang giải quyết vấn đề chủ động.

Liên quan chặt chẽ là giảm thiểu hiệu ứng bullwhip. Hiệu ứng bullwhip là một hiện tượng chuỗi cung ứng kinh điển: những biến động nhỏ trong nhu cầu bán lẻ sẽ được khuếch đại lên theo chuỗi (www.techtarget.com). Điều này dẫn đến tồn kho an toàn quá mức và chi phí tồn kho dư thừa hoặc hết hàng. Trên thực tế, các tác nhân AI giúp giảm thiểu hiệu ứng này bằng cách làm mượt dòng thông tin. Chúng thực hiện điều này bằng cách chia sẻ tín hiệu nhu cầu thực tế (để các nhà cung cấp cấp trên thấy doanh số bán lẻ thực), bằng cách tự động điều chỉnh số lượng đặt hàng dựa trên dữ liệu thời gian thực, và bằng cách lọc bỏ các “nhiễu” đột biến. TechTarget khuyên rằng để giảm hiệu ứng bullwhip, các công ty phải cải thiện sự hợp tác, dự báo và khả năng hiển thị bằng cách sử dụng phân tích dự đoán và các công cụ AI (www.techtarget.com). Với tinh thần đó, nhiều nền tảng khuyến khích hợp tác tồn kho đa cấp. Ví dụ, E2open nhấn mạnh quản lý tồn kho đa cấp: điều chỉnh kích thước tồn kho tại tất cả các địa điểm vừa cắt giảm tổng tồn kho vừa “giảm thiểu hiệu ứng bullwhip” trên toàn mạng lưới (www.e2open.com). Chu kỳ bổ sung hàng tồn kho tự động (đối với tồn kho VMI hoặc ký gửi) cũng có thể giúp – bằng cách kích hoạt các đơn hàng nhỏ hơn, thường xuyên hơn thay vì các lô lớn, thất thường (www.e2open.com). Cùng nhau, những thực tiễn này đảm bảo rằng sản xuất cấp trên duy trì đồng bộ nhất có thể với nhu cầu thực của khách hàng cuối, kiểm soát vòng lặp bullwhip.

Giám sát Tín hiệu Rủi ro Nhà cung cấp

Một vai trò quan trọng khác của các tác nhân bổ sung hàng tồn kho là giám sát rủi ro nhà cung cấp. Một hệ thống tác nhân liên tục quét các “tín hiệu” cho thấy một nhà cung cấp có thể gặp sự cố hoặc thất bại. Những tín hiệu này có thể đến từ nhiều luồng dữ liệu khác nhau: báo cáo tài chính, tin tức (đình công, trừng phạt, gián đoạn thời tiết tại các địa điểm của nhà cung cấp), hoặc thậm chí các manh mối gián tiếp như tỷ lệ giao hàng đúng hạn giảm đột ngột. Các công cụ AI tiên tiến thu nạp các dữ liệu bên ngoài này. Chẳng hạn, các nền tảng rủi ro AI “tổng hợp hàng ngàn thông tin chuyên sâu từ tin tức, dữ liệu vận chuyển và hải quan, hồ sơ tài chính, dữ liệu thời tiết và tắc nghẽn cảng” để tạo ra các cảnh báo sớm (www.supplychainconnect.com). Chúng chấm điểm và phân loại cảnh báo để bộ phận mua hàng có thể tập trung vào các nhà cung cấp rủi ro nhất.

Trên thực tế, các tín hiệu rủi ro nhà cung cấp liên quan chặt chẽ đến các quyết định bổ sung hàng tồn kho. Nếu độ tin cậy của một nhà cung cấp cấp trên giảm (ví dụ: OTIF giảm hoặc xuất hiện tin tức tiêu cực), tác nhân sẽ tăng lượng tồn kho an toàn hoặc tự động kích hoạt các nhà cung cấp thay thế. AI mua hàng thậm chí có thể chủ động kích hoạt các đơn đặt hàng song song từ nguồn thứ hai nếu nhà cung cấp đầu tiên gặp vấn đề. Một nghiên cứu về quản lý nhà cung cấp dựa trên AI cho thấy rằng bằng cách liên tục phân tích các chỉ số tài chính và hiệu suất, các công ty có thể chuyển đổi nguồn lực để giảm thiểu rủi ro thất bại sớm (www.supplychainconnect.com). Các công cụ như ứng dụng Quản lý Rủi ro Cung ứng của E2open lập bản đồ mạng lưới đa tầng và ưu tiên các gián đoạn (www.e2open.com) (www.supplychainconnect.com).

Bằng cách tích hợp thông tin rủi ro như vậy, các tác nhân dự báo trở nên thực sự có khả năng dự đoán. Chúng không chỉ phản ứng với dữ liệu của ngày hôm qua mà còn với các tín hiệu rủi ro của ngày mai – điều chỉnh kế hoạch bổ sung hàng tồn kho nếu, chẳng hạn, tắc nghẽn cảng được dự báo hoặc giá của một thành phần quan trọng đang tăng vọt. Bằng cách này, các tín hiệu rủi ro nhà cung cấp được đưa vào cùng một cân bằng cung cầu mà tác nhân quản lý, đóng vòng lặp giữa các sự kiện bên ngoài và các hành động tồn kho.

Theo dõi Độ chính xác Dự báo, Tỷ lệ Đáp ứng và Vốn lưu động

Cuối cùng, bất kỳ hệ thống tác nhân thông minh nào cũng phải đo lường hiệu suất của nó. Các chỉ số cốt lõi là độ chính xác dự báo, mức độ dịch vụ (tỷ lệ đáp ứng) và chi phí tồn kho (vốn lưu động) – và những chỉ số này nên được theo dõi theo cấp sản phẩm (ví dụ: SKU A/B/C) để các nhóm biết vấn đề nằm ở đâu. Độ chính xác dự báo thường được đo bằng các chỉ số như MAPE hoặc độ lệch dự báo. Các nhà hoạch định thường hướng tới độ chính xác cao đối với các mặt hàng bán chạy (ví dụ: MAPE <10% cho các mặt hàng loại A). Mặt khác, tỷ lệ đáp ứng (tỷ lệ phần trăm nhu cầu được phục vụ đúng hạn, thường là 95–99% đối với các SKU ưu tiên cao) đo lường chất lượng dịch vụ. Nghiên cứu tình huống trước đó chúng ta đã thấy minh họa lợi ích: bằng cách cải thiện dự báo, một công ty đã cắt giảm tồn kho dư thừa 1 triệu Euro và nâng tỷ lệ đáp ứng của mình từ 97.7% lên 98.5% (valeman.medium.com). Điều này cho thấy tồn kho tinh gọn hơn không làm hại dịch vụ khách hàng – thực tế nó còn cải thiện dịch vụ.

Tác động vốn lưu động được đánh giá bằng cách xem xét vòng quay hàng tồn kho hoặc số ngày tồn kho. Mỗi đô la hàng tồn kho đều ràng buộc vốn (thông thường chi phí duy trì là 20–30% giá trị tồn kho mỗi năm (valeman.medium.com)). Do đó, các tác nhân giám sát cách các thay đổi dự báo lan truyền đến giá trị tồn kho. Giảm lỗi dự báo (và do đó là tồn kho an toàn) giải phóng tiền mặt. Trong ví dụ trên, việc giảm tồn kho 1 triệu Euro cũng giải phóng 1 triệu Euro vốn lưu động (valeman.medium.com). E2open thậm chí còn nhấn mạnh lợi ích tài chính: căn chỉnh tồn kho tốt hơn “giải phóng vốn quý giá” (www.e2open.com). Trên thực tế, các bảng điều khiển hiện đại sẽ hiển thị độ chính xác dự báo, tỷ lệ đáp ứng và giá trị tồn kho theo danh mục SKU. Bằng cách đóng vòng lặp – so sánh dự báo với thực tế – tổ chức có thể đào tạo lại mô hình hoặc điều chỉnh chính sách cho các cấp hiệu suất kém nhất.

Kết luận và Triển vọng

Các tác nhân dự báo và bổ sung hàng tồn kho dựa trên AI đang thay đổi hoạt động chuỗi cung ứng. Bằng cách nhúng vào quy trình làm việc của ERP/WMS và tích hợp các tín hiệu bên ngoài, các tác nhân này có thể tự động đặt PO, điều chỉnh đơn hàng, và thậm chí đề xuất chuyển kho – tất cả trước khi các nhà hoạch định con người cần can thiệp. Các nhà cung cấp hàng đầu (ví dụ: Blue Yonder, Oracle, Kinaxis, E2open, v.v.) hiện cung cấp các module hoặc trợ lý nhận thức xử lý các tác vụ cụ thể như lọc ngoại lệ, phân tích tình trạng hết hàng và đặt hàng tự động (media.blueyonder.com) (www.oracle.com). Các nghiên cứu và báo cáo ngành liên tục cho thấy điều này mang lại lợi ích: dự báo tốt hơn có nghĩa là tiết kiệm hàng triệu đô la chi phí tồn kho và giảm tình trạng hết hàng (valeman.medium.com) (www.supplychainconnect.com).

Tuy nhiên, vẫn còn những khoảng trống. Nhiều công cụ tập trung vào các nhà bán lẻ hoặc nhà sản xuất lớn; các doanh nghiệp nhỏ và vừa thiếu các phiên bản giá cả phải chăng, dễ sử dụng. Việc điều phối “tác nhân” từ đầu đến cuối thực sự – phối hợp liền mạch giữa ERP, WMS, logistics và mạng lưới đa tầng theo thời gian thực – vẫn đang trong giai đoạn phát triển. Các doanh nhân có thể xây dựng các nền tảng tích hợp chặt chẽ tất cả các nguồn dữ liệu (ERP, 3PL/WMS, nhà vận chuyển, mạng lưới nhà cung cấp) vào một quy trình làm việc AI thống nhất. Một trợ lý chuỗi cung ứng kỹ thuật số như vậy sẽ tự động giảm thiểu hiệu ứng bullwhip bằng cách chia sẻ dữ liệu, dự đoán và đặt hàng lại cho mỗi SKU, và cảnh báo về các rủi ro từ nguồn cung – tất cả đều có nhật ký kiểm toán rõ ràng. Nếu được trang bị giao diện ngôn ngữ tự nhiên hoặc AI tạo sinh, nó thậm chí có thể cho phép các nhà quản lý truy vấn hệ thống bằng tiếng Anh thông thường (“Tại sao chúng ta thiếu Bộ phận X?”) và nhận được câu trả lời với các giải thích dựa trên dữ liệu.

Tóm lại, các tác nhân dự báo/bổ sung hàng tồn kho là một loại công cụ mới mạnh mẽ. Các công ty nên đánh giá các giải pháp căn chỉnh cung cầu trên một nền tảng, theo dõi các ngoại lệ và rủi ro, và đo lường hiệu suất ở cấp độ SKU. Xu hướng ngành đang nổi lên (được Gartner và các tổ chức khác công nhận (www.gartner.com)) là tăng cường con người bằng các cộng tác viên AI trong mọi vòng lặp lập kế hoạch. Hy vọng là các nhà đổi mới sẽ tiếp tục lấp đầy khoảng trống – ví dụ bằng cách cung cấp các tích hợp dễ dàng với các ERP cũ hoặc bằng cách tạo ra thị trường các tác nhân được xây dựng sẵn – để làn sóng chuỗi cung ứng tự động tiếp theo có thể thực sự thích ứng, kiên cường và hiệu quả.