Dự báo nhu cầu thương mại điện tử: Hướng dẫn toàn diện cho năm 2026

Bạn đang chuẩn bị đơn hàng ra mắt với dữ liệu bán hàng năm ngoái để bên cạnh báo giá của nhà cung cấp. Số lượng có vẻ hợp lý cho đến khi bộ phận marketing lên lịch flash sale và một sàn thương mại điện tử thay đổi những listing mà người mua nhìn thấy. Chẳng mấy chốc, một kho hàng trống trơn trong khi kho khác lại tồn đọng hàng mà bạn không thể bán hết nếu không giảm giá.

Phản ứng dễ thấy nhất là cải thiện bản dự báo. Nhưng một thuật toán tiên tiến hơn cũng vô ích nếu lịch sử bán hàng của bạn coi sản phẩm hết hàng là sản phẩm kém phổ biến, hoặc nếu người mua hàng không bao giờ dùng đến dự báo khi đặt đơn. Bạn cần một hệ thống ra quyết định, chứ không chỉ một biểu đồ thuyết phục hơn.

Dự báo nhu cầu thương mại điện tử kết nối nhu cầu khách hàng với hoạt động mua hàng, xử lý đơn hàng và cam kết dòng tiền. Nếu thực hiện cẩn thận, nó còn làm rõ mức độ bất định, nhờ đó bạn có thể phân biệt một ước tính bổ sung hàng đáng tin cậy với một dự báo ra mắt sản phẩm vốn cần một đơn hàng mở đầu nhỏ hơn.

Công việc thực tế bắt đầu từ hồ sơ tồn kho của bạn và kết thúc bằng một quyết định vận hành. Giữa hai điểm đó, bạn cần chọn phương pháp theo đặc điểm sản phẩm, kiểm thử chúng mà không để lộ thông tin tương lai, và đánh giá các chương trình khuyến mãi vượt ra ngoài đợt tăng doanh số ban đầu. Thước đo thành công rất đơn giản: liệu dự báo có giúp bạn mua hàng và khuyến mãi hiệu quả hơn về mặt lợi nhuận hay không?

Dự báo nhu cầu thương mại điện tử dự đoán điều gì và tại sao nó quan trọng

Trong kịch bản ra mắt sản phẩm đó, việc lặp lại đơn hàng năm ngoái giả định rằng cùng những khách hàng đó sẽ đến qua cùng những kênh đó và mua từ cùng những địa điểm đó. Một đợt flash sale làm thay đổi động lực mua hàng. Một thay đổi về mức độ hiển thị trên sàn thương mại điện tử làm thay đổi độ phơi sáng. Cả hai đều không thuộc phạm vi một điều chỉnh theo mùa thông thường.

Dự báo nhu cầu thương mại điện tử ước tính số lượng sản phẩm khách hàng sẽ muốn mua trong mỗi giai đoạn tương lai, theo từng sản phẩm, kênh bán và địa điểm. Hãy coi nó như một bản dự báo thời tiết cho kho hàng của bạn: các mô hình trong quá khứ thiết lập kỳ vọng, trong khi những sự kiện sắp diễn ra đã biết trước sẽ làm thay đổi triển vọng đó.

UNCTAD ước tính doanh số thương mại điện tử toàn cầu đạt khoảng 26,7 nghìn tỷ USD vào năm 2019, tương đương khoảng 30% GDP toàn cầu, và báo cáo rằng tỷ trọng bán lẻ trực tuyến trong tổng doanh số bán lẻ đã tăng từ 16% trước đại dịch lên 19% vào năm 2020. Những con số này bao quát phạm vi thương mại rộng hơn so với một cửa hàng của người bán, nhưng chúng minh họa cho việc các giả định về kênh bán có thể thay đổi nhanh đến mức nào.

Tăng trưởng, các đỉnh định kỳ, và các cú sốc đột ngột có thể trông giống nhau trong một cột dữ liệu bán hàng. Hãy tách biệt chúng trước khi bỏ tiền ra.

Để có nền tảng hữu ích trong việc kết nối dự báo với vận hành, các nguyên tắc cơ bản về lập kế hoạch nhu cầu của Reddog Consulting Group cung cấp bối cảnh hỗ trợ. Cuối cùng, dự báo của bạn cần phải định hướng cho:

• Mua hàng: Đặt mua gì và khi nào.
• Năng lực xử lý đơn hàng: Nơi cần tồn kho và nhân lực.
• Lập kế hoạch dòng tiền: Số vốn cần thiết cho các cam kết tồn kho trong tương lai.

Thiết kế đặc trưng và làm sạch dữ liệu trước khi xây dựng mô hình

Trước khi thay thế một thuật toán, hãy kiểm tra bảng dữ liệu đầu vào. Đơn hàng trùng lặp, mã SKU không khớp, và hồ sơ tồn kho bị thiếu có thể khiến một mô hình về mặt kỹ thuật là đúng đắn lại trả lời sai câu hỏi.

Đặc trưng (Features) là những câu hỏi bạn đặt ra cho dữ liệu của mình. Thay vì chỉ cung cấp dữ liệu bán hàng của ngày hôm qua, hãy cho mô hình đủ bối cảnh để phân biệt giữa mức độ quan tâm của khách hàng và điều kiện bán hàng.

Xây dựng các đặc trưng mà người mua hàng có thể nhận ra

Một bộ khởi điểm thực tế bao gồm:

• Dữ liệu bán hàng trễ (Lagged sales): Doanh số tuần trước và giai đoạn tương ứng của năm ngoái, giống như một tấm gương chiếu hậu cho nhu cầu.
• Trung bình trượt: Như những thiết lập ứng viên, hãy thử nghiệm các mức trung bình trong 7, 28, và 91 ngày để phân biệt biến động gần đây với mức nền tảng tổng thể.
• Cờ đánh dấu lịch: Ngày lễ, chu kỳ trả lương, và các sự kiện mua sắm tại địa phương.
• Giá và mức độ giảm giá: Giá bán thực tế, chứ không chỉ là nhãn giảm giá.
• Tình trạng sẵn có: Số ngày còn hàng, trạng thái listing, và các hạn chế về xử lý đơn hàng.
• Độ phơi sáng và tỷ lệ chuyển đổi: Lượt hiển thị sản phẩm, lượng truy cập, và lượt mua hàng ở những nơi dữ liệu đáng tin cậy.
• Hàng trả lại: Số lượng hàng bị trả lại và thời điểm tồn kho có thể bán được trở lại khả dụng.

Hãy xác định rõ ràng mục tiêu dự báo. Tổng số đơn vị được đặt hàng giúp lập kế hoạch năng lực lấy hàng; số đơn vị giữ lại và hàng trả lại còn bán được lại quan trọng khi ước tính mức tiêu thụ tồn kho ròng.

Hãy sử dụng thông tin hành vi đã được tổng hợp bất cứ khi nào có thể. Hạn chế quyền truy cập vào hồ sơ ở cấp độ khách hàng, loại bỏ các định danh không cần thiết, và tuân thủ các yêu cầu về quyền riêng tư hiện hành khi kết hợp các hệ thống thương mại điện tử và phân tích dữ liệu.

Hãy lý giải cho những ngày không có doanh số

Một nghiên cứu về dự báo bán lẻ đã đánh giá dữ liệu với 20,9% dữ liệu bị thiếu và phát hiện rằng 99,9% chuỗi dữ liệu sản phẩm có ít nhất một ngày không có doanh số, trung bình 492 ngày không có doanh số trên mỗi chuỗi; các mô hình dựa trên cây cục bộ cũng vượt trội hơn các kiến trúc deep-learning tiên tiến hơn trong bối cảnh đó.

Những kết quả này không xác định nguyên nhân của từng trường hợp bằng không. Hồ sơ vận hành của bạn cần phân biệt được nhu cầu thấp thực sự với tình trạng hết hàng, luồng dữ liệu sàn thương mại điện tử bị thiếu, listing không hoạt động, và các thay đổi trong danh mục sản phẩm.

Hãy đánh dấu một ngày không có hàng là nhu cầu bị kiểm duyệt (censored demand): doanh số là có thể quan sát được, nhưng nhu cầu mà bạn lẽ ra có thể đáp ứng thì không. Đừng tự động thay thế nó bằng một ước tính doanh số được bịa ra. Hãy giữ nguyên bản ghi gốc, thêm cờ đánh dấu tình trạng sẵn có, và ghi lại tài liệu về bất kỳ quy tắc ước tính nào được áp dụng.

Đối với một SKU mới hoặc bán chậm, hãy tổng hợp thông tin từ các sản phẩm tương đương theo danh mục, mức giá và kênh bán. Sử dụng mức độ hiển thị, tỷ lệ chuyển đổi, thời gian còn hàng và sản phẩm thay thế để phân biệt một sản phẩm mà khách hàng chưa từng thấy với một sản phẩm đã bị khách hàng từ chối.

Kiểm tra dữ liệu: Bạn có thể giải thích từng giá trị bằng 0 không, và bạn có thể tái dựng tình trạng còn hàng theo từng ngày không?

Cho đến khi các quan sát đủ cơ sở để đưa ra ước tính hẹp hơn, hãy hiển thị một khoảng dự đoán rộng bên cạnh giá trị dự báo điểm. Người mua cần thấy được phạm vi và mức độ bao phủ đã nêu, chứ không chỉ một con số có vẻ chính xác.

Chọn Phương Pháp Dự Báo Cho Từng Loại Sản Phẩm

Không có mô hình nào thắng thế ở mọi trường hợp. Hãy chọn phương pháp phù hợp với mô hình nhu cầu và với thông tin sẵn có tại thời điểm bạn đặt hàng.

Một sản phẩm bán chạy ổn định có thể theo một nhịp điệu hàng tuần rõ ràng. Một sản phẩm phụ thuộc vào khuyến mãi có thể bán chủ yếu quanh các chiến dịch. Một sản phẩm bán không đều, chẳng hạn như phụ tùng thay thế chuyên biệt, có thể không ghi nhận doanh số trong thời gian dài rồi mới nhận được một đơn hàng.

Đó là những bài toán dự báo khác nhau. Việc ép chúng vào cùng một cấu hình giúp việc bảo trì dễ dàng hơn, nhưng có thể khiến các quyết định mua hàng trở nên tệ hơn.

Phương pháp dự báo theo từng mô hình sản phẩm

Hãy xem các độ dài lịch sử dưới đây là khuyến nghị khởi điểm, không phải mức tối thiểu áp dụng chung cho mọi trường hợp. Một chu kỳ hàng tuần cần bằng chứng khác với một chu kỳ hàng năm, và những thay đổi cấu trúc gần đây có thể khiến dữ liệu lịch sử cũ trở nên kém hữu ích hơn.

Để hiểu rõ hơn về các mẫu hình chuỗi và mô hình hóa mùa vụ, xem sử dụng ARIMA để dự báo nhu cầu tồn kho. ARIMA hữu ích khi các quan sát trong quá khứ chứa thông tin có tính lặp lại, chứ không phải khi toàn bộ bối cảnh kinh doanh của một sản phẩm đã thay đổi.

Hãy để mức độ phức tạp chứng minh giá trị của nó

Một nghiên cứu dự báo bán lẻ năm 2025 bao phủ 50 mặt hàng tại 10 cửa hàng đã so sánh Random Forest, XGBoost, Hồi quy tuyến tính và ARIMA, nhấn mạnh rằng thuật toán tốt nhất phụ thuộc vào bộ dữ liệu và bài toán kinh doanh cụ thể.

Mức độ chi tiết của đặc trưng cũng có thể hỗ trợ một phương pháp này mà không hỗ trợ phương pháp khác. Trong một nghiên cứu dự báo thương mại điện tử ngắn hạn, việc phân loại giảm giá chi tiết đã cải thiện đáng kể các mô hình hồi quy tuyến tính, ridge và lasso, với mức cải thiện MAPE tốt nhất đạt 36,19%, nhưng không mang lại cải thiện đáng kể cho các mô hình support vector machine, gradient boosting hay random forest.

Bài học thực tiễn ở đây không phải là chọn ra người chiến thắng từ một bảng xếp hạng đã công bố. Hãy kiểm tra xem phương pháp bổ sung đó có cải thiện các quyết định của chính bạn đủ nhiều để bù đắp cho chi phí chuẩn bị, giải thích và bảo trì hay không.

Bắt đầu với một đường cơ sở theo mùa. Một ứng viên phức tạp mà không thể vượt qua một tham chiếu có thể lặp lại trên các giai đoạn chưa từng thấy thì chưa xứng đáng được đưa vào sử dụng thực tế.

Dạy Cho Dự Báo Của Bạn Tính Mùa Vụ Và Khuyến Mãi

Một buổi hòa nhạc là một phép so sánh hữu ích cho các tín hiệu bên trong doanh số. Xu hướng là nhịp độ nền, tính mùa vụ là điệp khúc lặp lại, khuyến mãi là một đoạn solo làm thay đổi tạm thời buổi biểu diễn, và nhiễu là khán giả.

Về mặt vận hành, xu hướng nghĩa là tăng trưởng hoặc suy giảm kéo dài. Tính mùa vụ bao gồm các mô hình lặp lại theo tuần và các đỉnh điểm theo lịch như Black Friday hay mùa tựu trường. Khuyến mãi tạo ra một chế độ bán hàng khác, trong khi nhiễu là phần biến động hàng ngày không giải thích được còn sót lại.

Tách biệt hiệu ứng lịch với hiệu ứng chiến dịch

Một ngày lễ và một đợt giảm giá có thể trùng nhau, nhưng chúng không thể thay thế cho nhau. Nếu bạn dạy mô hình rằng mọi đợt tăng vọt vào ngày lễ đều là nhu cầu thông thường, nó có thể kỳ vọng doanh số tương tự khi bạn loại bỏ đợt giảm giá.

Ghi lại ngày bắt đầu và kết thúc chiến dịch, mức độ giảm giá, kênh bán, danh mục sản phẩm, và các ràng buộc liên quan về giao hàng. Giữ lịch theo từng quốc gia riêng biệt khi các thị trường của bạn có ngày lễ hoặc mô hình mua sắm khác nhau.

Một nghiên cứu về một chuỗi siêu thị giảm giá của Đan Mạch phát hiện rằng các mô hình tổ hợp cây, đặc biệt là XGBoost, hoạt động tốt nhất đối với các sản phẩm có hơn năm đợt khuyến mãi trong lịch sử, trong khi hồi quy tuyến tính có phạt hoạt động tốt hơn đối với các sản phẩm có ít hơn năm đợt; lịch sử khuyến mãi thưa thớt vẫn tạo ra sai số tương đối cao.

Hãy dùng phát hiện đó như bằng chứng cho việc phân khúc, chứ không phải một ngưỡng cắt phổ quát:

• Sản phẩm khuyến mãi dày đặc: Thử nghiệm các mô hình phi tuyến gộp chung, học được tương tác giữa các SKU liên quan.
• Sản phẩm khuyến mãi thưa thớt: Ưu tiên các mô hình đơn giản hơn, có điều chỉnh, giúp kiềm chế các ước lượng không ổn định.
• Đánh giá chiến dịch: Xem xét từng sự kiện khuyến mãi riêng lẻ thay vì dựa vào tổng số hàng tháng, vốn có thể che giấu các lỗi về thời điểm.

Để kết nối việc đo lường chiến dịch với hoạch định kinh doanh, hãy sử dụng một quy trình nhất quán để đo lường mức tăng doanh số từ các chương trình khuyến mãi. Đồng thời, giữ cho các khoản hoàn tiền có thể nhận diện được theo từng chiến dịch. Hướng dẫn của PlatformDTC về cách xử lý hoàn tiền cho các đơn hàng giảm giá rất hữu ích khi đối chiếu cơ chế giảm giá với dữ liệu sau khi mua hàng.

Đóng băng thông tin tại thời điểm ra quyết định

Rò rỉ dữ liệu xảy ra khi một mô hình nhận được thông tin mà lẽ ra không tồn tại vào thời điểm dự báo được thực hiện. Lưu lượng truy cập thực tế của chiến dịch, tình trạng hết hàng đã xảy ra, và các thay đổi giảm giá cuối cùng có thể khiến một bài kiểm tra lịch sử trông tốt hơn so với một dự báo thực tế.

Lưu lại một bản chụp có đánh dấu thời gian về các đợt giảm giá đã lên kế hoạch, thời điểm chiến dịch, tình trạng tồn kho, và các giả định về năng lực. Huấn luyện và đánh giá dựa trên những gì người lập kế hoạch đã biết vào thời điểm đó, chứ không phải những gì trở nên rõ ràng sau này.

Một dự báo được thực hiện trước một chiến dịch phải được đánh giá bằng thông tin có sẵn trước khi chiến dịch diễn ra.

Các Chỉ Số Đánh Giá Cho Thấy Dự Báo Có Hiệu Quả Hay Không

Một sai số trung bình chấp nhận được vẫn có thể tồn tại song song với tình trạng tồn kho dư thừa ở các mặt hàng bán chậm và hết hàng ở các mặt hàng bán chạy. Một điểm số tổng hợp sẽ không cho bạn biết liệu người mua hàng có đang đưa ra các cam kết tốt hơn hay không.

Giữ lại giai đoạn gần nhất và ngăn mọi ứng viên nhìn thấy nó trong quá trình huấn luyện. So sánh các ứng viên trên cùng sản phẩm, cùng ngày tháng, và cùng khoảng thời gian dự báo, sau đó lặp lại bài kiểm tra qua các mốc cắt lịch sử liên tiếp để kiểm tra xem kết quả có còn đúng trong các điều kiện kinh doanh khác nhau hay không.

Các chỉ số đo độ chính xác dự báo cho thương mại điện tử

Một bài tổng quan về dự báo nhu cầu gián đoạn chỉ ra rằng việc chọn chỉ số có thể làm thay đổi thứ hạng các mô hình, rằng MAPE trở nên không ổn định hoặc không xác định khi nhu cầu bằng 0, và rằng random forest có thể hoạt động kém hơn các phương pháp kiểu Croston trên các thước đo chuyên biệt cho tồn kho.

Dùng MAE để truyền đạt mức sai lệch theo đơn vị và RMSE để điều tra các đợt tăng vọt gây tốn kém. Dùng các chỉ số theo tỷ lệ để so sánh các sản phẩm có quy mô khác nhau, nhưng hãy kiểm tra mẫu số cơ sở khi một chuỗi dữ liệu có ít biến động. Báo cáo độ lệch theo một quy ước dấu được ghi rõ để mọi người đều hiểu giá trị dương nghĩa là dự báo cao hơn hay thấp hơn thực tế.

Đối chiếu các sản phẩm có nhu cầu gián đoạn với một phương pháp thuộc họ Croston, và các sản phẩm bán đều với một dự báo đơn giản có tính mùa vụ (seasonal naive). Báo cáo riêng các sản phẩm bán chạy nhanh, gián đoạn, mới và lỗi thời thay vì để các sản phẩm bán chạy nhất chi phối mức trung bình chung.

Đánh giá theo khung thời gian dự báo và hệ quả kinh tế

Một nghiên cứu dự báo thương mại điện tử tại Ả Rập Xê Út ghi nhận RMSE là 0,4537 đối với dự báo theo tuần và 8,1938 đối với dự báo dài hạn. Đây là các sai số đặc thù của nghiên cứu, không phải mục tiêu đơn vị có thể áp dụng chung, nhưng sự so sánh này cho thấy cần theo dõi riêng từng khung thời gian.

Khung thời gian bổ sung hàng của bạn cần khớp với thời gian giao hàng của nhà cung cấp. Dự báo năng lực của bạn có thể cần một khung thời gian và mức độ tổng hợp khác.

Chuyển đổi các sai lệch thành chi phí vận hành:

• Chi phí thiếu hàng: Lợi nhuận bị mất, chi phí vận chuyển gấp, và sản phẩm thay thế, khi có thể đo lường được.
• Chi phí dư thừa: Lưu kho, chi phí tài chính, giảm giá và xử lý hàng tồn.
• Kết quả quyết định: Mức độ sẵn có đạt được và lượng tồn kho đã cam kết theo cùng một chính sách đặt hàng.

Hãy đánh giá cẩn thận các giai đoạn hết hàng vì doanh số ghi nhận được không phản ánh hết nhu cầu chưa được đáp ứng. Tách riêng các giai đoạn đó khi báo cáo và kiểm tra độ nhạy đối với các giả định về nhu cầu bị mất, thay vì khẳng định một sự thật không thể biết chắc.

Cách Biến Dự Báo Thành Quyết Định Đặt Hàng Lại và Khuyến Mãi

Người mua hàng cần một ngưỡng kích hoạt, chứ không chỉ một đường cong doanh số dự đoán. Hãy xác định dự báo thay đổi một đơn hàng như thế nào, ai phê duyệt trường hợp ngoại lệ, và bằng chứng nào sẽ dẫn đến việc điều chỉnh lại.

Dưới đây là một ví dụ minh họa giả định, không phải chính sách dịch vụ được khuyến nghị cho mọi danh mục sản phẩm. Các con số và mục tiêu trong ví dụ này minh họa cách tính toán để bạn có thể thay bằng các số liệu kinh tế của riêng mình.

Chuyển đổi nhu cầu thành ngưỡng kích hoạt bổ sung hàng

1. Chọn mục tiêu mức độ dịch vụ theo từng nhóm sản phẩm. Để minh họa, hãy đặt mức dịch vụ theo chu kỳ 95% cho các sản phẩm bán chạy và 90% cho các mặt hàng đuôi dài (long-tail). Mức dịch vụ theo chu kỳ là xác suất tránh được tình trạng hết hàng trong một chu kỳ bổ sung hàng, chứ không phải tỷ lệ phần trăm đơn vị được đáp ứng. Hãy đặt mục tiêu thực tế dựa trên biên lợi nhuận, tác động đến khách hàng và chi phí tồn kho, chứ không chỉ dựa vào tốc độ bán hàng.
2. Ước tính nhu cầu trong thời gian giao hàng của nhà cung cấp. Nhân nhu cầu trung bình hàng ngày với thời gian giao hàng khi mức kỳ vọng hàng ngày tương đối ổn định. Nếu có một chiến dịch hoặc thay đổi theo mùa diễn ra trong khoảng thời gian đó, hãy cộng dồn các dự báo hàng ngày thay vì vậy.
3. Xác định mức dự phòng an toàn. Theo một mô hình minh họa với thời gian giao hàng cố định, nhu cầu hàng ngày độc lập và xấp xỉ phân phối chuẩn, hãy sử dụng công thức tồn kho an toàn = z × độ lệch chuẩn hàng ngày × √thời gian giao hàng. Giá trị z làm tròn là 1,65 tương ứng với mục tiêu mức dịch vụ theo chu kỳ 95% trong ví dụ. Xu hướng, tự tương quan, các đơn hàng không liên tục và độ trễ giao hàng thay đổi của nhà cung cấp đòi hỏi một phân phối nhu cầu theo thời gian giao hàng phù hợp hơn.
4. Xác định điểm đặt hàng lại. Cộng nhu cầu trong thời gian giao hàng với tồn kho an toàn. Kích hoạt dựa trên vị thế tồn kho, nghĩa là tồn kho khả dụng hiện có cộng với hàng đang về đã xác nhận trừ đi nhu cầu đã cam kết, chứ không chỉ dựa vào tồn kho vật lý.
5. Phê duyệt khuyến mãi dựa trên giá trị gia tăng ròng. So sánh nhu cầu trong chiến dịch với một mức nền đáng tin cậy khi không có khuyến mãi, sau đó tính đến các giao dịch mua trong tương lai bị dịch chuyển và sự thay thế từ các sản phẩm khác.

Để có bối cảnh vận hành thực tế về cách xây dựng mức dự phòng tồn kho an toàn, hướng dẫn phòng ngừa hết hàng của Next Point Digital là một tài liệu tham khảo hữu ích.

Tính toán số liệu trước khi đặt hàng

Giả sử một SKU bán được 40 đơn vị mỗi ngày, thời gian giao hàng của nhà cung cấp là 14 ngày, và độ lệch chuẩn của nhu cầu hàng ngày là 8 đơn vị. Theo các giả định đơn giản hóa ở trên:

• Nhu cầu trong thời gian giao hàng: 40 × 14 = 560 đơn vị.
• Tồn kho an toàn: 1,65 × 8 × √14 ≈ 49 đơn vị.
• Điểm đặt hàng lại: 560 + 49 = 609 đơn vị.

Mức dự phòng này sử dụng độ biến động của nhu cầu hàng ngày. Trong một triển khai dựa trên dự báo, hãy ước tính mức độ không chắc chắn từ các sai số dự báo ngoài mẫu trong suốt khoảng thời gian bổ sung hàng, để không nhầm lẫn tính mùa vụ có thể dự đoán được với biến động ngẫu nhiên.

Bây giờ giả sử một chiến dịch khuyến mãi kéo dài bốn ngày bán được 120 đơn vị mỗi ngày. Khối lượng bán trong chiến dịch là 480 đơn vị, so với mức nền 160 đơn vị, cho ra mức tăng trưởng biểu kiến là 320 đơn vị. Nếu mười ngày tiếp theo chỉ bán được 25 đơn vị mỗi ngày thay vì mức bình thường là 40, thì phần thiếu hụt 150 đơn vị khiến mức tăng ròng ước tính còn lại là 170 đơn vị.

Ước tính đó giả định rằng mức nền là đáng tin cậy. Khi có thể, hãy so sánh với các sản phẩm, thị trường hoặc nhóm khách hàng không bị ảnh hưởng, đồng thời kiểm tra xem bản thân các mức so sánh đó có bị tác động bởi chiến dịch hay không.

Một nghiên cứu năm 2025 trên International Journal of Forecasting cho thấy các chương trình khuyến mãi có thể khiến người dự báo ước tính quá cao nhu cầu khi mục tiêu mức dịch vụ ở mức cao. Việc tích trữ thêm hàng không mặc nhiên là quyết định kinh tế an toàn hơn.

Hãy trừ đi chi phí chiết khấu, quảng cáo, hàng trả lại và chi phí thực hiện đơn hàng trước khi đánh giá khả năng sinh lời. Để được hỗ trợ triển khai, hãy sử dụng chương trình thí điểm tối ưu hóa tồn kho 30 ngày dành cho nhà bán lẻ để xây dựng cơ cấu trách nhiệm và quy trình đánh giá. Một nhịp độ khởi đầu thực tế là đánh giá hàng tuần đối với các mặt hàng bán chạy và hàng tháng đối với các sản phẩm bán chậm hơn, cùng với việc xem xét các trường hợp ngoại lệ ngay lập tức sau khi có thay đổi về nguồn cung hoặc chiến dịch.

Những điểm chính và chương trình thí điểm 90 ngày

Hãy bắt đầu chương trình thí điểm dự báo nhu cầu thương mại điện tử kéo dài 90 ngày của bạn với một nhóm sản phẩm đủ lớn để có ý nghĩa nhưng vẫn đủ dễ quản lý để các nhân viên mua hàng có thể theo dõi. Về phạm vi đề xuất, hãy cân nhắc 20% SKU hàng đầu theo doanh số, sau đó bổ sung thêm các mặt hàng bán chậm mang tính đại diện để bài kiểm tra không che giấu rủi ro ở nhóm đuôi dài.

Hãy luôn ghi nhớ các nguyên tắc vận hành sau:

• Độ phức tạp phải được chứng minh xứng đáng: Yêu cầu các phương pháp ứng viên phải vượt trội hơn một mức tham chiếu theo mùa trên các giai đoạn dữ liệu được giữ lại để kiểm định.
• Giữ nguyên bối cảnh về tình trạng sẵn có của hàng: Đừng huấn luyện nhân viên mua hàng hoặc mô hình diễn giải tình trạng hết hàng là sự từ chối của khách hàng.
• Đánh giá theo kết quả kinh doanh: Đánh giá mức độ rủi ro tồn kho và mức đóng góp lợi nhuận, chứ không chỉ độ chính xác theo đơn vị.
• Đo lường toàn bộ vòng đời của chương trình khuyến mãi: Bao gồm mức nền, mức tăng trưởng do chiến dịch, và sự thay đổi nhu cầu sau đó.

Giao cho chương trình thí điểm một người phụ trách và một quyết định cụ thể

Đối với chương trình thí điểm được đề xuất này, hãy thu thập dữ liệu bán hàng hàng ngày hoặc hàng tuần trong 12 đến 24 tháng, cùng với hồ sơ về tình trạng sẵn có của hàng và lịch khuyến mãi nếu có. Hãy dành riêng ba tháng gần nhất để so sánh cuối cùng, và kiểm định ngược (backtest) một mức nền theo mùa cùng với hai phương pháp ứng viên bằng cách sử dụng MAE, độ lệch (bias) và chi phí hết hàng ước tính.

Hãy chọn phương pháp mang lại kết quả kinh tế tốt nhất theo một chính sách đặt hàng nhất quán. Áp dụng các khuyến nghị bổ sung hàng của phương pháp đó cho các SKU đã chọn, xem xét các trường hợp ngoại lệ hàng tuần, và ghi lại mọi trường hợp can thiệp thủ công kèm theo lý do.

ELECTE, một nền tảng phân tích dữ liệu được hỗ trợ bởi AI dành cho các doanh nghiệp vừa và nhỏ, chạy sáu phương pháp dự báo trên dữ liệu người dùng, đánh giá so sánh chúng với nhau, và chọn ra phương pháp chính xác nhất. Phần lớn người dùng có thể vận hành trong vòng chưa đầy 5 phút, với quá trình phân tích và các dự báo đầu tiên bắt đầu ngay sau khi kết nối phần mềm kế toán hoặc tải lên tệp dữ liệu; tuy nhiên, việc xác thực vận hành vẫn đòi hỏi hồ sơ bán hàng và tình trạng sẵn có của hàng phù hợp.

Một quá trình thiết lập nhanh chóng không phải là bằng chứng về giá trị kinh doanh. Kết quả của chương trình thí điểm nằm ở việc liệu phương pháp được chọn có vượt trội hơn phương pháp hiện tại của bạn trên chính dữ liệu của bạn hay không, trong khuôn khổ các ràng buộc mua hàng mà đội ngũ của bạn thực tế phải đối mặt. Hãy duy trì tiêu chuẩn đó ngay cả khi bảng điều khiển (dashboard) trông có vẻ thuyết phục.

ELECTE cung cấp tính năng dự báo nhu cầu và công cụ tính điểm đặt hàng lại miễn phí, giúp kết nối các dự đoán với quyết định mua hàng. Truy cập ELECTE để khám phá nền tảng và xem ELECTE hoạt động thực tế qua một bản demo được cá nhân hóa.