ELECTE 4.5 đã ra mắt — nhóm, các gói và giao diện mới.Khám phá những điểm mới
AI & Dự đoán12 phút đọc

Dự báo nhu cầu cho ngành bán lẻ: phương pháp, dữ liệu và lợi ích

Tìm hiểu cách dự báo nhu cầu trong bán lẻ vận hành, nên chọn phương pháp nào, cần dữ liệu gì và làm thế nào để giảm hết hàng và tồn kho dư thừa nhờ kế hoạch tồn kho tốt hơn.

Demand Forecasting for Retail: Methods, Data and Benefits

Tóm tắt bài viết này bằng AI

Hết hàng thường bị đổ lỗi cho nhà cung cấp. Nhưng phần lớn các trường hợp, nguyên nhân nằm ngay trong nội bộ. Một nghiên cứu về tồn kho bán lẻ được trình bày tại hội nghị IEOM Society 2025 ở Bangladesh cho thấy 51% đến 73% các vụ hết hàng ở siêu thị bắt nguồn từ chính hoạt động bán lẻ, trong đó dự báo thiếu chính xác (bao gồm đánh giá thấp nhu cầu) và sai sót khi đặt hàng là những nguyên nhân chính.

Phát hiện này thay đổi cách nhìn về công việc. Dự báo nhu cầu cho bán lẻ không phải cuộc thi chọn thuật toán tiên tiến nhất. Đó là một kỷ luật vận hành: rút ra tín hiệu nhu cầu trung thực từ dữ liệu vốn đã bị hết hàng và khuyến mãi làm sai lệch, chọn phương pháp phù hợp với cách từng sản phẩm bán ra, và đưa kết quả vào các điểm đặt hàng lại mà người mua hàng sẽ dùng vào sáng thứ Hai.

Hướng dẫn này đi qua toàn bộ vòng lặp. Bạn sẽ thấy dự báo cần tạo ra kết quả gì, những dữ liệu đầu vào nào có trọng lượng lớn nhất, sáu phương pháp phổ biến khác nhau ra sao theo từng tình huống bán lẻ, vì sao hàng bán chậm cần một kiến trúc khác, việc tích trữ và chuyển kênh làm mức tăng nhờ khuyến mãi trông cao hơn thực tế như thế nào, nên tin chỉ số sai số nào cho quyết định nào, và quy trình kiểm tra năm bước trước chu kỳ mua hàng tiếp theo.

Dự báo nhu cầu nghĩa là gì ở cửa hàng

Dự báo thời tiết chỉ đáng tin khi nó cụ thể theo địa điểm và thời điểm: khả năng mưa ở thành phố của bạn vào chiều thứ Ba là đủ để quyết định có mang ô hay không. Dự báo nhu cầu làm đúng việc đó cho tồn kho. Nó ước tính khách sẽ mua bao nhiêu đơn vị của một mặt hàng cụ thể, tại một cửa hàng cụ thể, trong một tuần cụ thể, để người mua đặt đúng số lượng thay vì một con số nghe có vẻ hợp lý.

Năm bước dưới đây là toàn bộ ý tưởng thu nhỏ, từ dự báo đến đơn đặt hàng mà nó cần kích hoạt.

A four-step infographic illustrating the concept of demand forecasting in a retail shop floor environment.

Mục tiêu là nhu cầu, không phải con số doanh thu mà máy tính tiền tình cờ ghi lại. Số 0 được ghi lúc kệ dầu gội trống là nhu cầu bị cắt cụt; một đợt tăng đột biến do khuyến mãi có thể là mượn từ hai tuần tiếp theo hoặc kéo khách từ cửa hàng lân cận. Trung bình theo danh mục và báo cáo hằng tháng che giấu những vấn đề ở cấp mặt hàng–cửa hàng, nên tín hiệu phải giữ ở mức chi tiết và được làm mới thường xuyên.

Vòng lặp vận hành như sau:

  1. Thu thập lịch sử bán hàng và tồn kho theo mặt hàng, cửa hàng và ngày, kể cả những ngày kệ trống.
  2. Làm sạch và đồng bộ: một đơn vị đo, một lịch, không có dòng trùng lặp khi hệ thống cửa hàng điều chỉnh lại số liệu của một tuần.
  3. Xây mô hình và dự báo nhu cầu theo từng mặt hàng–cửa hàng, ở mức chi tiết mà quyết định đặt hàng của bạn cần.
  4. Chuyển dự báo thành đơn hàng và tồn kho an toàn, dựa trên thời gian giao hàng và mức phục vụ bạn đã cam kết.
  5. Đo sai số và điều chỉnh theo từng mặt hàng, thay vì mỗi năm một lần vào thời điểm lập ngân sách.

Mỗi bước bảo vệ bạn khỏi một trong ba loại chi phí. Dự báo thấp thì bạn mất doanh thu không lấy lại được, vì khách mua hàng thay thế hoặc bỏ đi. Dự báo cao thì vốn nằm trong hàng tồn phải giảm giá. Số lượng đúng đại khái nhưng thời điểm sai thì bạn trả giá cả hai đầu: phí vận chuyển cao cho đơn gấp và chi phí lưu kho cho phần dư.

Quy tắc tiết kiệm nhiều tiền nhất: dự báo chỉ có giá trị khi một quy tắc bổ sung hàng hành động dựa trên nó. Một con số hoàn hảo nằm trong báo cáo không thay đổi gì trên kệ hàng.

Dữ liệu đầu vào và vì sao hết hàng làm chúng sai lệch

Trước khi so sánh các mô hình, hãy xem cái gì được đưa vào. Những đầu vào cải thiện độ chính xác bán lẻ nhiều nhất đều dễ đoán và khá nhàm chán, và nhiều đội ngũ còn thiếu hai hoặc ba trong số đó.

  • Lịch sử bán hàng theo mặt hàng, cửa hàng và ngày. Mức thô hơn sẽ che mất các tuần khuyến mãi và đỉnh cuối tuần vốn mang tín hiệu.
  • Tồn kho hiện có và thời gian hết hàng. Thiếu chúng, bạn không phân biệt được một tuần ế với một kệ trống.
  • Giá và mức chiết khấu. Giảm 10% và giảm 30% không tạo ra cùng một đường phản ứng, vì vậy hãy lưu giá trên kệ mà khách thực trả, không phải giá niêm yết.
  • Lịch khuyến mãi, bao gồm vị trí trưng bày và quảng cáo nổi bật.
  • Ngày lễ và sự kiện địa phương. Một hội chợ trường cách hai con phố làm nước đóng chai bán chạy hơn cả một ngày lễ quốc gia.
  • Thời tiết, đặc biệt với các nhóm hàng tươi sống, theo mùa và làm vườn.
  • Giá của đối thủ, ở bất cứ nơi nào bạn có thể theo dõi nhất quán.
  • Thời gian giao hàng của nhà cung cấp và các lần giao trễ, những yếu tố quyết định bạn cần dự trữ bao nhiêu.

Vì sao kệ trống ghi ra một số 0 sai

Giả sử dầu gội của bạn bán trung bình 40 đơn vị mỗi tuần và kệ trống trong ba ngày. Những ngày đó ghi nhận doanh số bằng 0. Mô hình được huấn luyện trên lịch sử này sẽ học rằng nhu cầu giảm mỗi khi hết hàng, điều hoàn toàn ngược với sự thật. Khách không thấy hàng không đổi ý; họ đã đi mua ở nơi khác.

Nhà cung cấp giao trễ, bổ sung hàng chậm và chính các quyết định đặt hàng của bạn cũng làm cụt doanh số theo đúng cách đó. Mô hình không có cách nào phân biệt một đơn bán mất với một sự mất quan tâm, và nó sẽ tiếp tục đặt thiếu mặt hàng cháy hàng nhanh nhất.

Lỗi này đã được ghi nhận rõ ràng. Một bài tổng quan năm 2026 về học máy trong dự báo bán lẻ chỉ ra rằng bộ dữ liệu không đầy đủ, đường dẫn dữ liệu rời rạc, hành vi khách hàng thay đổi, khuyến mãi, phản ứng của đối thủ và tính mùa vụ là nguyên nhân khiến mô hình bị thiên lệch và dễ vỡ. Bài tổng quan này cũng trích dẫn một khảo sát với 661 chuyên gia tồn kho, trong đó 51% đôi khi vẫn tiếp tục dùng các dự báo mà họ đã cho là không đáng tin vì không có phương án nào tốt hơn, còn thay đổi thuế quan và chính sách thương mại (19%) cùng biến động lạm phát hoặc giá hàng hóa (17%) nằm trong số các yếu tố gây gián đoạn lớn nhất.

Bốn bước khắc phục, theo thứ tự

  1. Đánh dấu mọi ngày hết hàng trong lịch sử bán hàng, kèm số giờ hoặc số ngày mặt hàng không có sẵn.
  2. Ước tính doanh số bị mất trong các ngày đó dựa trên những mặt hàng tương đương trong cùng cửa hàng và cùng tuần.
  3. Gắn nhãn cho từng giai đoạn là có hàng hoặc bị giới hạn trước khi bắt đầu bất kỳ lần huấn luyện nào.
  4. Huấn luyện trên lịch sử đã điều chỉnh và so sánh kết quả trên các tuần được giữ lại để kiểm tra, không bao giờ dùng các tuần bạn đã vá dữ liệu.

Với phần lớn doanh nghiệp vừa và nhỏ, công việc này cải thiện độ chính xác nhiều hơn việc đổi thuật toán. Mô hình chỉ học được những gì có trong dữ liệu; nếu dữ liệu ghi rằng nhu cầu sụt giảm trong lúc hết hàng, một kiến trúc phức tạp hơn cũng chỉ học sai nhanh hơn mà thôi. Hướng dẫn của ELECTE về tích hợp đa nguồn dữ liệu trình bày phần hạ tầng đưa dữ liệu bán hàng, tồn kho và khuyến mãi vào một bảng duy nhất có thể sử dụng.

So sánh các phương pháp dự báo theo tình huống bán lẻ

Không có phương pháp tốt nhất, chỉ có phương pháp phù hợp với từng tình huống. Bảng dưới đây là bảng so sánh mà tôi muốn dán ngay phía trên bàn làm việc của bộ phận kế hoạch.

Phương pháp

Tình huống bán lẻ phù hợp nhất

Dữ liệu cần có

Điểm mạnh

Lưu ý

Trung bình động hoặc làm mượt hàm mũ

Mặt hàng ổn định, doanh số cao

1-2 năm doanh số theo tuần

Đơn giản, rẻ và dễ giải thích

Bỏ sót khuyến mãi và biến động theo mùa

Mô hình theo mùa như SARIMA

Mặt hàng có chu kỳ tuần hoặc năm rõ rệt

Lịch sử từ hai mùa trở lên

Nắm bắt được xu hướng và tính mùa vụ

Khó xử lý cùng lúc hàng nghìn chuỗi dữ liệu

Các phương pháp họ Croston

SKU bán thưa, bán chậm

Lịch sử bán hàng có nhiều kỳ bằng không

Tách riêng tần suất phát sinh đơn hàng với quy mô của đơn

Không phù hợp với mặt hàng bán đều

Hồi quy với biến khuyến mãi và giá

Ngành hàng phụ thuộc vào khuyến mãi

Lịch khuyến mãi và lịch sử giá

Cho thấy từng yếu tố tác động đến nhu cầu ra sao

Kém hiệu quả khi ít có khuyến mãi

Tổ hợp cây quyết định như XGBoost hoặc LightGBM

Danh mục lớn theo mặt hàng và cửa hàng

Doanh số, lịch, khuyến mãi và giá

Học được từ nhiều chuỗi dữ liệu liên quan

Cần dữ liệu sạch và giám sát liên tục

Mô hình kết hợp LSTM-XGBoost

Chuỗi bán lẻ đa ngành hàng với nhiều tín hiệu dữ liệu

36 tháng dữ liệu điểm bán hàng và khuyến mãi

Giảm sai số phần trăm tuyệt đối trung bình trung bình 28,6% ở chân trời bốn tuần trong một nghiên cứu trên 14 doanh nghiệp bán lẻ

Xây dựng và giải thích phức tạp hơn

Quy luật đằng sau các dòng dữ liệu quan trọng hơn bất kỳ dòng nào riêng lẻ. Một bài tổng quan được bình duyệt về nghiên cứu dự báo bán lẻ cho biết các mô hình học máy toàn cục, bao gồm mạng nơ-ron truyền thẳng và mạng nơ-ron hồi quy, cây hồi quy tăng cường độ dốc và rừng ngẫu nhiên, thường vượt trội so với các mô hình chuỗi thời gian và hồi quy riêng lẻ khi nhà bán lẻ dự báo một tập hợp lớn các chuỗi doanh số. Lợi thế này càng rõ khi danh mục càng lớn: hàng nghìn tổ hợp mặt hàng - cửa hàng, trong đó nhu cầu của từng sản phẩm thưa thớt, ngắt quãng, theo mùa hoặc nhạy cảm với khuyến mãi.

So sánh trông như thế nào trong một chuỗi bán lẻ thực tế

Hãy hình dung một chuỗi khu vực với 40 cửa hàng. Các mặt hàng thiết yếu có doanh số hằng tuần ổn định dùng làm mượt hàm mũ, vì người quản lý ngành hàng có thể đọc con số đó và phản biện nó. Hàng may mặc theo mùa với tám đợt khuyến mãi mỗi năm dùng mô hình tăng cường độ dốc huấn luyện đồng thời trên tất cả cửa hàng, vì lịch sử của một cửa hàng quá mỏng để học được đường cong giảm giá.

Bài tổng quan cũng nêu rõ rằng các phương pháp cũ chưa hề lỗi thời. Hiệu quả của chúng vẫn cạnh tranh được trên các tập dữ liệu nhỏ hơn, với sản phẩm ổn định, và trong những bối cảnh mà khả năng diễn giải và dữ liệu hạn chế quan trọng hơn điểm chính xác cuối cùng.

Biết tiết chế sẽ có lợi. Một đánh giá năm 2026 về nhu cầu bán lẻ tại Hoa Kỳ trên bộ dữ liệu M5, gồm 25.940 chuỗi mặt hàng - cửa hàng qua năm cửa sổ trượt 28 ngày, đã giảm sai số phần trăm tuyệt đối có trọng số trung bình từ 0,9006 ở mốc chuẩn seasonal-naive xuống 0,7022 với mô hình LightGBM dùng nhu cầu lịch sử, tức cải thiện khoảng 22%. Thêm các biến bán lẻ và vận hành chỉ đạt 0,6979, còn thêm các chỉ báo kinh tế vĩ mô có độ trễ đạt 0,6978, mức cải thiện khoảng 0,02%.

Hãy xây dựng mốc cơ sở trước. Một con số seasonal-naive hoặc làm mượt hàm mũ chỉ mất một buổi chiều để tạo ra sẽ cho bạn biết mô hình học máy có xứng đáng với độ phức tạp của nó hay không. Chạy cả hai trên cùng những tuần được giữ lại để kiểm tra và giữ lại mô hình thắng.

Việc chọn mô hình nên dựa vào quy mô và cấu trúc của danh mục, chứ không phải phương pháp nào mới hơn. Riêng nguyên tắc này sẽ giúp bạn tiết kiệm nhiều tiền hơn bất kỳ lần tìm kiếm siêu tham số nào.

Hàng bán chậm và nhu cầu thưa cần mô hình riêng

Một số sản phẩm không có mức nhu cầu. Chúng chỉ có các sự kiện nhu cầu. Một phụ tùng thay thế bán bốn lần một năm, một biến thể đuôi dài trên thương mại điện tử, một tổ hợp cửa hàng - SKU bán hai đơn vị mỗi tháng: các mô hình theo mùa tiêu chuẩn xử lý những trường hợp này rất kém, và nguyên nhân mang tính cấu trúc.

Giá trị không và doanh số dương đến từ hai quá trình khác nhau. Việc có phát sinh giao dịch hay không là một câu hỏi. Quy mô giao dịch khi nó xảy ra là câu hỏi khác. Các phương pháp kiểu Croston ước lượng hai việc này riêng biệt, nên chúng giữ được hiệu quả trên dữ liệu bán lẻ nhiều số không. Một bài đánh giá chuẩn về dự báo bán lẻ với nhu cầu ngắt quãng báo cáo Croston đạt WAPE 93,15% và MASE 0,9852, tốt hơn các phương án naive và SARIMAX được thử nghiệm. Hãy hiểu WAPE đó là kết quả tương đối trên chuỗi đầy số không, chứ không phải điểm chính xác tốt theo nghĩa tuyệt đối.

A chart illustrating intermittent demand patterns for slow-moving products in retail inventory and sales forecasting.

Kiểu thất bại này cụ thể và tốn kém. Một mô hình hồi quy hoặc theo mùa tiêu chuẩn thấy một chuỗi số không và kết luận nhu cầu thấp và ổn định, nên đặt tồn kho an toàn theo đó. Sản phẩm bán chậm nhưng bán theo từng đợt khó đoán sẽ hết hàng, trong khi mặt hàng chết lại nằm kho đủ cho ba tháng. Một lỗi làm mất một đơn hàng, lỗi kia làm mất tiền mặt và chỗ trên kệ.

Cùng chủ đề này còn một bài học nữa. Một bài đánh giá chuẩn trên dữ liệu bán hàng có nhu cầu ngắt quãng, thiếu quan sát và danh mục sản phẩm thay đổi thường xuyên cho thấy các mô hình dựa trên cây cục bộ hoạt động tốt nhất trong số các phương pháp được thử, với XGBoost đạt sai số căn quân phương thấp nhất được báo cáo là 4,833. Điều rút ra không phải là "hãy dùng XGBoost ở mọi nơi". Mà là khi sản phẩm luân chuyển nhanh, các mô hình xây dựng riêng cho từng dòng sản phẩm có thể thắng một mô hình tổng quát buộc phải lấy trung bình trên những quy luật không tương thích.

Cách định tuyến một chuỗi dữ liệu

  1. Phân loại trước khi xây mô hình. Tính Khoảng cách nhu cầu trung bình và bình phương hệ số biến thiên của nhu cầu khác không cho mỗi chuỗi. Chỉ số đầu là khoảng cách điển hình, tính theo số kỳ, giữa các lần bán; chỉ số sau đo mức độ dao động về quy mô giữa các lần bán.
  2. Chuyển các chuỗi ngắt quãng sang các mô hình họ Croston, mô hình hurdle hoặc mô hình xuất hiện - quy mô.
  3. Chuyển các mặt hàng ổn định, sản lượng cao sang các mô hình theo mùa hoặc học máy, nơi chúng phù hợp.
  4. Kiểm tra lại việc phân loại hằng quý. Các mặt hàng chuyển nhóm khi già đi, bị ngừng bán hoặc bắt đầu được ưa chuộng, và một quy tắc định tuyến không bao giờ chạy lại sẽ kém dần.

Hãy lưu việc phân loại trong một bảng có thể kiểm tra. Khi người quản lý ngành hàng hỏi vì sao một sản phẩm được dự báo bằng phương pháp lạ, câu trả lời nên là hai con số, chứ không phải một cái nhún vai.

Khuyến mãi, tích trữ và chuyển dịch kênh bán

Các tuần khuyến mãi không phải tuần bình thường, và gộp chúng vào mốc cơ sở sẽ làm hỏng cả hai. Hãy mô hình hóa nhu cầu cơ sở và hiệu ứng khuyến mãi như hai thành phần riêng, rồi cộng lại.

Một so sánh các phương pháp dự báo bán lẻ cho thấy các tập hợp cây quyết định vượt trội so với hồi quy tuyến tính, hồi quy tuyến tính có phạt và các phương pháp cây hồi quy đối với nhu cầu hằng ngày cấp chuỗi khi SKU có hơn năm đợt khuyến mãi trong lịch sử. Năm là ngưỡng hữu ích trong kết quả đó. Dưới ngưỡng này không đủ ví dụ để mô hình học cách độ sâu giảm giá, thời điểm khuyến mãi và tương tác với lịch sản phẩm tác động đến nhu cầu, nên điều chuẩn mạnh hơn hoặc một mốc cơ sở đơn giản gây ít hại hơn một mô hình linh hoạt chạy theo nhiễu.

Hãy cung cấp cho mô hình các đặc trưng rõ ràng: trạng thái khuyến mãi, phần trăm giảm giá, vị trí trưng bày, khoảng cách tới ngày lễ và nhu cầu sau khuyến mãi có độ trễ. Đặc trưng cuối thường bị bỏ sót, nhưng chính nó nắm bắt được mức sụt giảm.

Mức sụt giảm không ai dự báo

Giả sử khuyến mãi giảm 30% cho dầu gội làm doanh số tăng trong một tuần, sau đó doanh số nằm dưới xu hướng trong hai tuần tiếp theo. Người mua đã tích trữ; họ không mua nhiều hơn trong cả quý. Hãy coi toàn bộ cửa sổ ba tuần là một đơn vị phân tích. Sai số trong giai đoạn khuyến mãi cho bạn biết liệu bạn đã đặt đủ hàng hay chưa. Sai số sau khuyến mãi cho bạn biết liệu bạn đã đặt dư hàng cho phần còn lại của tháng hay không. Chấm điểm riêng, cả hai quyết định đều lộ ra. Chấm điểm gộp, hai sai số triệt tiêu nhau và báo cáo trông có vẻ ổn trong khi bạn đã sai cả hai.

Nghiên cứu về vòng đời khuyến mãi ghi nhận rằng các công trình trước đây thường bỏ qua giai đoạn hậu khuyến mãi, khi nhu cầu giảm vì khách hàng đã tích trữ trong đợt khuyến mãi, và báo cáo rằng các phương pháp học máy có thể cải thiện dự báo trên toàn bộ vòng đời thay vì chỉ trong chính giai đoạn khuyến mãi.

Kênh bán hàng tạo thêm một lớp ảo giác nữa. Một nghiên cứu về khuyến mãi đa kênh tại một siêu thị khu vực ở Brazil ước tính nhu cầu dịch chuyển 11,23% từ cửa hàng thực sang trực tuyến và 19,34% theo chiều ngược lại, trong khi các chương trình khuyến mãi phối hợp giảm hiện tượng ăn mòn doanh số lẫn nhau 30,04%. Ưu đãi khách hàng thân thiết tạo mức tăng đo được lớn nhất, ở mức 3,5%. Nếu dự báo từng kênh độc lập, bạn sẽ đếm trùng nhu cầu vốn chỉ đổi địa chỉ.

Vì vậy, hãy áp dụng bốn quy tắc khi đánh giá:

  • Chấm điểm riêng giai đoạn có khuyến mãi và không có khuyến mãi, để một tuần tốt không che lấp một tháng tệ.
  • So sánh với đường cơ sở dạng base-lift hoặc đường cơ sở nhân quả tương tự, nếu không bạn chỉ đang đo xem mô hình học được khối lượng tốt đến đâu.
  • Đánh giá theo SKU và theo tần suất khuyến mãi, vì ngưỡng năm lần khuyến mãi thay đổi những gì bạn có thể kỳ vọng.
  • Giữ lại đặc trưng độ trễ sau khuyến mãi để mô hình có thể biểu diễn mức sụt giảm thay vì bị bất ngờ trước nó.

Nếu chiết khấu đang ăn mòn biên lợi nhuận của bạn, hướng dẫn của chúng tôi về cách bảo vệ biên lợi nhuận trong các chiến dịch giảm giá đề cập đến khía cạnh giá của cùng vấn đề này.

Đo độ chính xác và biến dự báo thành đơn đặt hàng

Hãy chọn chỉ số sau khi đã chọn quyết định. Mỗi thước đo trả lời một câu hỏi khác nhau và che giấu một điều khác nhau.

A professional analyzing retail demand forecast charts on a tablet screen in a modern office workspace.

Chỉ số

Dùng khi

Cần lưu ý

WAPE (sai số phần trăm tuyệt đối có trọng số)

So sánh độ chính xác giữa các mặt hàng có quy mô khác nhau

Đặt trọng số lớn nhất cho các mặt hàng có khối lượng cao

MASE (sai số tuyệt đối trung bình đã chuẩn hóa)

So sánh các mô hình trên chuỗi nhu cầu ngắt quãng hoặc nhiều giá trị không

Cần một mốc so sánh đơn giản (naive) để đọc đúng

MAPE (sai số phần trăm tuyệt đối trung bình)

Báo cáo đơn giản cho các mặt hàng ổn định, khối lượng cao

Không ổn định hoặc không xác định khi nhu cầu thực tế bằng không

Độ lệch (bias)

Phát hiện tình trạng dự báo cao hoặc thấp một cách có hệ thống

Các sai số bù trừ nhau có thể che giấu nó nếu không đọc theo từng giai đoạn

Mức độ phục vụ (service level)

Kiểm tra xem dự báo có bảo vệ được tình trạng sẵn hàng trên kệ hay không

Phụ thuộc vào thiết lập bổ sung hàng, không chỉ riêng dự báo

Các sai số phần trăm hỏng ở nhóm hàng bán chậm. Khi nhu cầu thực tế bằng không, mẫu số bằng không và chỉ số hoặc vọt lên rất lớn hoặc bị loại khỏi giá trị trung bình, và cả hai kết quả đều khiến mô hình trông tốt hơn thực tế. Hãy báo cáo WAPE hoặc một sai số đã chuẩn hóa cùng với độ lệch và mức độ phục vụ, đồng thời đọc chúng theo từng phân khúc thay vì một con số chung cho toàn danh mục.

Từ một con số đến điểm đặt hàng lại

Dự báo trở thành đơn đặt hàng qua phép tính mà bất kỳ ai trong nhóm cũng có thể kiểm tra. Nhu cầu kỳ vọng trong thời gian giao hàng, cộng với tồn kho an toàn được tính theo mức độ phục vụ mục tiêu của bạn, cho ra điểm đặt hàng lại.

Giả sử một cửa hàng dự kiến bán 40 đơn vị trong thời gian giao hàng 5 ngày của nhà cung cấp và giữ thêm 10 đơn vị đệm. Điểm đặt hàng lại là 50 đơn vị. Khi tồn kho hiện có cộng với hàng đang đặt giảm xuống 50, đơn hàng sẽ được gửi đi. Nếu người mua đặt ở mức 40 vì chưa bao giờ thống nhất mức đệm, kệ hàng sẽ trống ngay ngày đầu tiên xe giao hàng đến trễ.

Hai quy trình giúp giữ cho dự báo đáng tin cậy. Thiết lập cảnh báo ngoại lệ khi sai số dự báo của một mặt hàng vượt ngưỡng của bạn trong hai kỳ liên tiếp trở lên, để có người xem xét chính mặt hàng đó thay vì chỉ nhìn bảng điều khiển. Chạy kiểm tra độ lệch hằng tháng theo danh mục để phát hiện tình trạng dự báo cao hơn hoặc thấp hơn thực tế một cách có hệ thống, điều mà sai số của từng mặt hàng riêng lẻ sẽ bị triệt tiêu khi lấy trung bình.

Một dự báo chính xác về mặt thống kê vẫn có thể gây thiếu hàng nếu thời điểm đặt hàng, tần suất rà soát hoặc tồn kho an toàn được hiệu chỉnh chưa đúng. Hãy rà soát dự báo và quy tắc bổ sung hàng cùng nhau, nếu không bạn sẽ cứ sửa nhầm chỗ.

Hướng dẫn phân tích dữ liệu tồn kho của ELECTE đi sâu hơn về cách kết nối vị trí tồn kho với các con số mà người mua dựa vào để hành động.

Xác nhận kế hoạch dự báo trước chu kỳ mua hàng tiếp theo

Trước khi đặt đơn hàng tiếp theo, hãy xác nhận quy trình dự báo phù hợp với các sản phẩm và quyết định mà nó cần hỗ trợ. Năm bước kiểm tra sau giúp kế hoạch trở nên thực tế:

  1. Phân loại danh mục hàng. Xác định những mặt hàng tạo ra phần lớn doanh thu, rồi phân loại chúng thành ổn định, theo khuyến mãi hoặc không liên tục. Với phần còn lại, một quy tắc đơn giản hơn có thể là đủ.
  2. Kiểm tra lịch sử bán hàng. Lấy dữ liệu bán hàng 12 đến 24 tháng theo mặt hàng, cửa hàng và ngày, đồng thời đánh dấu các ngày hết hàng. Nếu chỉ có 12 tháng, vẫn nên dùng dữ liệu đó nhưng hãy chấp nhận sai số lớn hơn.
  3. Kiểm thử so với mô hình cơ sở. Thiết lập một mô hình cơ sở theo mùa vụ và so sánh các mô hình phức tạp hơn trên những tuần được giữ lại để kiểm thử. Kết quả M5 nêu ở trên cho thấy vì sao một mô hình phức tạp hơn phải chứng minh được giá trị của mình.
  4. Thiết lập quy trình đo lường. Chọn một chỉ số cho từng quyết định, sau đó giữ ngưỡng và nhịp rà soát nhất quán qua các chu kỳ.
  5. Rà soát các lần sai lặp lại. Kiểm tra lại điểm đặt hàng lại của những mặt hàng thường xuyên có sai số dự báo trước khi đặt hàng.

A five-step checklist for retail demand forecasting, guiding users through sales data analysis and order planning.

ELECTE chạy sáu phương pháp dự báo trên dữ liệu của người dùng, chấm điểm so sánh chúng với nhau và chọn phương pháp chính xác nhất. Công cụ tính điểm đặt hàng lại miễn phí của ELECTE giúp tính điểm đặt hàng lại cho từng mặt hàng.

Dự báo giúp giảm rủi ro nhưng không thể tính hết mọi thay đổi. Một mô hình có thể bỏ sót việc ra mắt sản phẩm mới hoặc một đợt khuyến mãi không có lịch sử bán hàng tương đương để tham chiếu. Hãy duy trì quy trình rà soát song song với dự báo để người mua có thể phản ứng khi nhu cầu thực tế khác với kế hoạch.

ELECTE kết nối dữ liệu bán hàng, tồn kho và khuyến mãi, so sánh sáu phương pháp dự báo trên dữ liệu hiện có, và trình bày dự báo, độ chính xác cùng các ngoại lệ trên bảng điều khiển trực quan để các nhóm chia sẻ với nhau. Nếu bạn là nhà bán lẻ đang đánh giá dự báo nhu cầu cùng với dữ liệu bán hàng của chính mình, hãy truy cập ELECTE.

Bình luận

Chưa có bình luận nào — hãy bắt đầu cuộc trò chuyện.