Chuỗi cung ứng không bao giờ yên tĩnh hoàn toàn
Năm ngoái, tôi gặp một nhà máy dệt may ở Thành phố Hồ Chí Minh. Họ kinh doanh xuất khẩu sang EU đã 15 năm, khách hàng lớn ổn định, đơn hàng cứ đến như thường lệ. Nhưng vào tháng 3, một đơn hàng 50 container bất ngờ bị khách từ chối khi tới cảng Bremerhaven. Lý do: thời gian vận chuyển dài hơn bình thường 4 ngày, nhiệt độ bị ghi nhận vượt qua ngưỡng cho phép, và hóa đơn từ cung cấp nguyên liệu phụ có dấu hiệu không đúng thứ tự theo lịch sử đặt hàng. Khách hàng quyết định từ chối dòng hàng hoàn toàn, gây thiệt hại 800 triệu đồng. Điều tồi tệ hơn: họ cũng không biết từ đâu lỗi bắt đầu.
Câu chuyện này không phải trường hợp hiếm gặp. Mỗi năm, các doanh nghiệp sản xuất Việt Nam mất hàng nghìn tỷ đồng vì không phát hiện kịp thời những bất thường nhỏ trong chuỗi cung ứng — tăng giá nguyên liệu bất ngờ, nhà cung cấp giao hàng chậm, thay đổi điều kiện lưu kho, hay thậm chí là những sai sót trong hồ sơ truy xuất. Khi bạn quản lý hàng chục, hàng trăm nhà cung cấp và đối tác, không thể nào theo dõi tất cả bằng con mắt hoặc bảng tính Excel.
Đó chính là lúc machine learning vào cuộc. Nhưng trước khi nói về công nghệ, hãy hiểu rõ: machine learning không phải thuốc chữa bách bệnh. Nó là một công cụ mạnh, nhưng chỉ hiệu quả khi bạn biết dùng nó đúng cách.
Dữ liệu là nguồn gốc của mọi quyết định
Bắt đầu năm 2020, các nhà máy và kho hàng lạnh bắt đầu lắp cảm biến IoT — máy đo nhiệt độ, độ ẩm, GPS theo dõi xe tải, máy quét QR Code tại các trạm kiểm tra. Phần mềm quản lý kho (WMS) ghi lại mỗi lần hàng vào, ra, chuyển kho. Hệ thống ERP thống kê đơn hàng, chi phí, và lịch sử giao dịch từng nhà cung cấp. Tất cả dữ liệu này đều đúng — nhưng quá nhiều, quá phức tạp để con người xử lý theo cách truyền thống.
Hãy tưởng tượng bạn quản lý một nhà máy sản xuất nước mắm với 10 kho hàng, mỗi kho có 5 cảm biến nhiệt độ ghi dữ liệu mỗi 5 phút. Mỗi tháng, bạn có 4.3 triệu điểm dữ liệu chỉ từ cảm biến nhiệt độ. Cộng thêm dữ liệu từ hóa đơn nhập, xuất, điều chỉnh, tỷ giá hối đoái, thời gian giao hàng, và độ trễ của nhà vận chuyển — số lượng dữ liệu trở nên quá khổng lồ để phân tích bằng tay.
Machine learning là cách duy nhất để tìm ra những mẫu ẩn trong các triệu điểm dữ liệu đó. Nó không chỉ nhìn thấy rằng "ngôm nay nhiệt độ cao hơn hôm qua", mà còn nhận biết rằng "nhiệt độ cao lên lúc 2 giờ sáng, duy trì cao trong 2 giờ, sau đó giảm lại — điều này xảy ra chỉ khi cửa kho bị mở quên". Hoặc: "thời gian vận chuyển từ nhà cung cấp A bình thường là 48 giờ, nhưng lần này là 72 giờ, và điều này lịch sử tương quan với mùa mưa tại tỉnh X".
Đó là sức mạnh của machine learning — nó học được từ quá khứ, rồi áp dụng vào hiện tại.
Phát hiện bất thường: Một kỹ năng thực sự cần thiết
Trong lĩnh vực chuỗi cung ứng, "phát hiện bất thường" (anomaly detection) có nghĩa là tìm ra những sự kiện lạ thường, không dự kiến, so với xu hướng bình thường. Ví dụ:
Một công ty xuất khẩu cà phê nhận thấy rằng, trong vòng 3 năm, thời gian từ khi nhập nguyên liệu từ nông dân cho đến khi nắn dây chuyền sản xuất luôn trung bình 6 ngày. Nhưng tuần này, đã được 8 ngày rồi, và hàng vẫn nằm trong kho làm ẩm lạnh. Machine learning sẽ tự động gửi cảnh báo: "Thời gian tồn kho bất thường. Kiểm tra việc bảo quản hoặc sự cố trong dây chuyền". Thay vì đợi đến khi quản lý nhân viên phát hiện ra lớp nấm mốc trên bao cà phê, hoặc khách hàng phàn nàn về chất lượng.
Một nhà máy thực phẩm tính toán rằng, bình thường mỗi lô sản xuất có tỷ lệ lỗi khoảng 0.8%. Nhưng hôm nay, lô sản xuất từ dây chuyền số 3 có tỷ lệ lỗi 2.5%. Machine learning không chỉ bảo bạn rằng "có bất thường", mà còn chỉ ra: "Tỷ lệ lỗi cao phù hợp với mẫu khi độ ẩm vượt 70% hoặc khi máy chủ động không được kiểm tra định kỳ". Giờ đây, bạn không cần chờ kiểm tra hàng tuần — bạn có thể sửa máy ngay hôm nay.
Hai năm trước, tôi tham gia dự án triển khai hệ thống này tại một công ty kinh doanh hàng nhập khẩu. Ban đầu, họ lưu trữ dữ liệu mỗi container (trọng lượng, ngày giao, nhà vận chuyển, chi phí) trong spreadsheet, và nhân viên mỗi tuần tay tay kiểm tra số liệu lạ lẫm. Sau khi áp dụng machine learning, hệ thống tự động phát hiện rằng: khi một nhà vận chuyển cụ thể giao hàng từ cảng Cai Mep, chi phí luôn cao hơn 15% so với nhà vận chuyển khác cho cùng tuyến đường. Hoặc: trọng lượng container bị ghi thấp hơn bình thường là dấu hiệu có khả năng bị tách hàng trái phép ở cảng. Những insight đó giúp họ tiết kiệm được 300 triệu đồng mỗi năm chỉ bằng cách chuyển đổi nhà vận chuyển và thắt chặt kiểm tra tại cảng.
Những ứng dụng thực tế mà bạn có thể bắt đầu hôm nay
Machine learning cho phát hiện bất thường không phải kiến trúc phức tạp hay bí ẩn. Dưới đây là những use case mà hàng trăm doanh nghiệp Việt Nam đang chạy:
Cảnh báo chất lượng thực phẩm. Một nhà máy chế biến thủy sản lắp cảm biến pH và độ mặn tại các bình chứa. Machine learning học rằng, nếu pH giảm dưới 3.5 trong vòng 30 phút và giữ nguyên trong 2 giờ, đó là dấu hiệu sự cố trong hệ thống tiêu sắc. Hệ thống sẽ báo động trước khi sản phẩm bị hỏng, giúp công ty phát hiện lỗi khí cụ hoặc nguyên liệu không đạt chuẩn kịp thời.
Dự báo thời gian giao hàng. Một công ty logistics ghi nhận dữ liệu của hàng trăm chuyến xe mỗi ngày: tuyến đường, thời gian khởi hành, thời gian dừng ở mỗi điểm, mật độ giao thông, loại xe. Machine learning có thể dự báo rằng: "Nếu xe khởi hành lúc 6 giờ sáng từ Hà Nội tới Hải Phòng bằng loại xe tải, thời gian dự kiến là 2 giờ 45 phút ± 15 phút". Nếu xe chậm hơn 45 phút, hệ thống sẽ báo động, để bạn có thể thông báo cho khách hàng sớm thay vì để họ chờ đợi bất an.
Phát hiện hàng hóa bị thay đổi. Một công ty sản xuất dược phẩm ghi nhận lịch sử qua từng lô: ngày sản xuất, ngày hết hạn, điều kiện bảo quản, ai kiểm tra chất lượng, và kết quả kiểm tra. Machine learning học rằng, bình thường một lô được kiểm tra bởi 2-3 nhân viên cụ thể từ phòng QA. Nhưng nếu một lô bất ngờ được kiểm tra bởi nhân viên không quen thuộc, hoặc kết quả kiểm tra khác biệt quá nhiều so với lịch sử của loại thuốc đó, hệ thống sẽ cảnh báo khả năng hàng hóa bị thay thế hoặc sai sót trong ghi nhận.
Tối ưu hóa tồn kho. Một siêu thị bán lẻ có 200 sản phẩm, mỗi sản phẩm bán với tốc độ khác nhau theo mùa, ngày tuần, hoặc sự kiện. Machine learning có thể học rằng: "Vào mùa Tết, bán lẻ bán nước mắm tăng 300%, nhưng trong mùa hè giảm 40%". Hoặc: "Vào thứ Sáu và thứ Bảy, bán dạo bán tăng 2x so với ngày thường". Với những dự báo đó, siêu thị có thể đặt hàng chính xác hơn, giảm thừa hàng (và hao hụt), và tăng tỷ suất lợi nhuận.
Thực tế: Những thách thức mà bạn sẽ gặp
Nhưng không phải tất cả những gì bóng bẩy đều là vàng. Khi triển khai machine learning, bạn sẽ gặp phải những vấn đề thực tế mà không phải lúc nào cũng đề cập đến:
Thứ nhất, dữ liệu không sạch. Hầu hết các doanh nghiệp Việt Nam vẫn lưu trữ dữ liệu trong các spreadsheet khác nhau, được cập nhật bằng tay, có lỗi ghi chép, hoặc thiếu thông tin. Tôi gặp một nhà máy nước mắm nơi dữ liệu "ngày giao hàng" đôi khi ghi theo ngày ký hóa đơn, đôi khi theo ngày hàng thực tế tới kho, và đôi khi là ngày khách hàng yêu cầu (ba cái hoàn toàn khác nhau!). Trước khi machine learning có thể làm việc, bạn phải dành tuần lễ, thậm chí hàng tháng, để làm sạch dữ liệu, định nghĩa rõ ràng từng trường, và thu thập lịch sử lại.
Thứ hai, cần dữ liệu lịch sử đủ dài. Machine learning học từ quá khứ, vì vậy bạn cần ít nhất 6 tháng, tốt hơn là 2-3 năm dữ liệu lịch sử để các mô hình trở nên chính xác. Nếu bạn mới lắp cảm biến IoT hôm nay, bạn phải chờ ít nhất 6 tháng rồi mới có thể dùng machine learning một cách hiệu quả. Trong khoảng thời gian đó, bạn vẫn phải dùng các phương pháp giám sát truyền thống.
Thứ ba, hệ thống cần bảo trì liên tục. Khi doanh nghiệp của bạn phát triển, chu kỳ kinh doanh thay đổi, hoặc bạn mở rộng ra sản phẩm mới, machine learning cần được huấn luyện lại. Tôi từng tham gia một dự án với công ty nước mắm, khi họ mở thêm một nhà máy mới ở tỉnh khác vào năm thứ hai. Dữ liệu từ nhà máy mới hoàn toàn khác, và mô hình cũ bắt đầu báo động sai lệch. Điều đó đòi hỏi kỹ sư dữ liệu phải điều chỉnh mô hình, hay một nhà cung cấp phần mềm phải cập nhật hệ thống.
Thứ tư, con người vẫn là yếu tố quan trọng nhất. Machine learning có thể báo động "Phát hiện bất thường: tỷ lệ lỗi cao hơn bình thường", nhưng nó không thể tự quyết định liệu điều đó là do máy bị hỏng, nguyên liệu tệ, hay nhân viên không được đào tạo đúng cách. Bạn vẫn cần phải có nhân viên kỹ thuật, quản lý chất lượng, hoặc lãnh đạo doanh nghiệp sẵn lòng hành động dựa trên những cảnh báo đó. Tôi biết một doanh nghiệp đầu tư vào hệ thống machine learning tốn kém, nhưng vì không có quy trình rõ ràng để phản ứng với những cảnh báo, họ bỏ lỡ cơ hội và hệ thống trở thành "máy báo động thừa thãi".
Khi nào bạn thực sự cần machine learning
Machine learning không phải điều cần thiết đối với mọi doanh nghiệp. Nếu bạn là một doanh nghiệp nhỏ với 10 nhân viên, một kho hàng, và 5 nhà cung cấp, bạn có thể quản lý mọi thứ bằng con mắt hoặc một bảng tính Excel đơn giản. Nhưng nếu bạn có:
- Hàng chục nhà cung cấp hoặc nhiều kho hàng
- Dữ liệu thay đổi liên tục (nhiệt độ, độ ẩm, giá cả, thời gian giao hàng)
- Sản phẩm có yêu cầu chất lượng hoặc điều kiện bảo quản nghiêm ngặt
- Nguy cơ cao về hàng bị làm giả, bị thay đổi, hoặc bị mất cắp
- Nhu cầu hiểu rõ hơn về mẫu tiêu thụ hoặc xu hướng thị trường
Thì machine learning có thể mang lại giá trị thực tế cho bạn.
Bước đầu tiên: Từ dữ liệu đến quyết định
Nếu bạn quyết định bước vào con đường này, đây là những gì tôi khuyên bạn nên làm:
Định nghĩa rõ ràng vấn đề bạn muốn giải quyết. Đừng nói "Tôi muốn dùng machine learning để quản lý chuỗi cung ứng tốt hơn". Thay vào đó, hãy nói: "Tôi muốn phát hiện khi thời gian giao hàng của nhà vận chuyển bất thường so với lịch sử", hoặc "Tôi muốn cảnh báo khi nhiệt độ kho vượt quá ngưỡng bảo quản trong hơn 1 giờ". Vấn đề càng cụ thể, giải pháp càng dễ dàng.
Bắt đầu bằng cách tập hợp dữ liệu lịch sử. Không cần hoàn hảo, nhưng cần sạch sẽ và nhất quán. Nếu bạn lưu trữ trong spreadsheet, hãy chuyển nó sang cơ sở dữ liệu đơn giản (như PostgreSQL hoặc MongoDB). Tổ chức dữ liệu theo thời gian, thực thể (sản phẩm, nhà cung cấp, kho hàng), và thuộc tính (giá, số lượng, điều kiện). Khoảng 6 tháng dữ liệu là tối thiểu để bắt đầu.
Hợp tác với một nhà cung cấp phần mềm hoặc kỹ sư dữ liệu. Nếu bạn không có nhân viên IT nội bộ có kiến thức machine learning, hãy tìm một công ty chuyên triển khai, hoặc sử dụng các nền tảng có sẵn (như các giải pháp từ các công ty logistics công nghệ). Tuyệt đối đừng tìm một "data scientist tự do" không có kinh nghiệm cụ thể trong lĩnh vực chuỗi cung ứng.
Bắt đầu nhỏ, rồi mở rộng. Đừng cố triển khai machine learning cho toàn bộ chuỗi cung ứng ngay từ đầu. Bắt đầu với một vấn đề cụ thể (ví dụ: phát hiện bất thường trong một kho hàng), chứng minh giá trị, rồi mở rộng dần dần.
Xây dựng quy trình để phản ứng với những cảnh báo. Machine learning chỉ là nửa con đường. Bạn cần quy định rõ ràng: khi hệ thống báo động, ai sẽ được thông báo, họ phải làm gì, trong vòng bao lâu. Nếu không có quy trình hành động, những cảnh báo sẽ được bỏ qua.
Kết nối với truy xuất nguồn gốc
Điểm thú vị là machine learning và truy xuất nguồn gốc (traceability) là hai mặt của cùng một xu hướng: làm cho chuỗi cung ứng trở nên minh bạch, có kiểm soát và đáng tin cậy. Truy xuất nguồn gốc ghi lại "gì" xảy ra (nguyên liệu từ đâu, sản phẩm đi đâu, khi nào), còn machine learning giúp bạn hiểu "tại sao" và "nếu như vậy sẽ như thế nào". Khi bạn lắp đặt hệ thống QR Code hoặc cảm biến IoT để truy xuất nguồn gốc, bạn cũng đang tạo ra dữ liệu cho machine learning sử dụng.
Ví dụ, một công ty xuất khẩu tôm sử dụng QR Code để ghi nhận từng lô tôm từ ao nuôi tới nhà máy chế biến tới container xuất khẩu. Dữ liệu đó không chỉ dùng để khách hàng quét QR Code xem nguồn gốc, mà còn cho machine learning phát hiện: "Lô tôm từ ao nuôi X luôn chất lượng tốt hơn ao Y", hoặc "Nếu thời gian từ ao nuôi tới nhà máy quá 4 giờ, tỷ lệ tôm chết sẽ tăng". Những insight đó giúp công ty tối ưu hóa quy trình, từ chọn ao nào, tới lên kế hoạch vận chuyển.
Không phải lúc nào bạn cũng cần cả hai cùng một lúc. Nhưng nếu bạn đang xây dựng hệ thống truy xuất nguồn gốc, tôi khuyên bạn nên dành thêm một chút công sức để sắp xếp dữ liệu theo cách mà machine learning có thể sử dụng được — thêm timestamps chính xác, ghi nhận chi tiết từng bước, sử dụng các tiêu chuẩn dữ liệu như GS1 EPCIS. Khi đó, bước tiếp theo (phát hiện bất thường) sẽ dễ dàng hơn rất nhiều.
Tóm lại: Machine learning là công cụ, không phải phép màu
Machine learning có khả năng phát hiện những mẫu ẩn trong dữ liệu chuỗi cung ứng, giúp bạn phát hiện sự cố sớm, tối ưu hóa chi phí, và nâng cao chất lượng sản phẩm. Nhưng nó không phải là thuốc chữa bách bệnh. Nó cần dữ liệu sạch sẽ, lịch sử đủ dài, và quan trọng nhất là con người sẵn sàng hành động dựa trên những cảnh báo mà nó cung cấp.
Nếu bạn đang quản lý một chuỗi cung ứng phức tạp, với nhiều nhà cung cấp, sản phẩm, hoặc điều kiện bảo quản khắt khe, thì đây là thời điểm tốt để bắt đầu suy nghĩ về cách mà dữ liệu của bạn có thể phục vụ cho mục đích này. Bắt đầu từ hôm nay, bằng cách ghi nhận dữ liệu một cách nhất quán, sử dụng các tiêu chuẩn như GS1 hoặc EPCIS, và lưu trữ chúng ở một nơi tập trung. Sau 6 tháng, bạn sẽ có đủ dữ liệu để bắt đầu thử nghiệm machine learning và xem nó có thể giúp bạn như thế nào.
Chía khóa là bắt đầu — nhỏ, thực tế, và lấy người dùng làm trung tâm. Machine learning sẽ theo sau.
