ELECTE 4.5 đã ra mắt — nhóm, các gói và giao diện mới.Khám phá những điểm mới
AI & Dự đoán9 phút đọc

Các phương pháp dự báo tồn kho: 5 cách dự đoán nhu cầu

Tìm hiểu 5 phương pháp dự báo tồn kho đã được kiểm chứng: cách hoạt động và thời điểm nên dùng. So sánh các cách tiếp cận và chọn phương pháp phù hợp với doanh nghiệp của bạn.

Inventory Forecasting Methods: 5 Ways to Predict Demand

Tóm tắt bài viết này bằng AI

Đặt quá nhiều hàng thì dòng tiền cạn kiệt. Đặt quá ít thì bạn mất đơn vào tay đối thủ còn hàng trên kệ. Mọi doanh nghiệp có tồn kho đều nằm giữa hai thất bại đó, và khoảng cách giữa chúng quy về một quyết định: phương pháp dự báo tồn kho nào đứng sau các đơn đặt hàng của bạn.

Hỏi một phòng đầy người vận hành xem họ dùng phương pháp nào, bạn sẽ nhận về tên sản phẩm. Một bảng tính. Một mô-đun ERP. Một công cụ bổ sung do bộ phận tài chính mua. Không ai nhắc đến phép toán phía sau. Đó chính là khoảng trống cần lấp. Công cụ dự báo chỉ là phương tiện triển khai một phương pháp, còn phương pháp quyết định tồn kho an toàn của bạn được tính theo thực tế hay theo kỳ vọng viển vông.

Dưới đây là năm phương pháp dự báo tồn kho, được trình bày như một chiếc thang quyết định chứ không phải các phe đối địch. Mỗi phương pháp là mốc cơ sở mà phương pháp tiếp theo phải vượt qua. Với từng phương pháp, bạn sẽ biết nó cần gì, nó hỏng ở đâu và chính xác trong điều kiện nào nó phát huy giá trị.

1. Dự báo trung bình trượt

Trung bình trượt là điểm khởi đầu phổ biến và xứng đáng với vị trí đó. Bạn chọn một cửa sổ (3, 6 hoặc 12 kỳ), lấy trung bình nhu cầu thực tế trong cửa sổ đó và dùng làm dự báo cho kỳ tiếp theo. Khi một kỳ mới kết thúc, cửa sổ trượt về phía trước và con số tự cập nhật.

Một nghiên cứu chuỗi cung ứng của Đại học Arkansas mô tả dự báo chuỗi thời gian là nền tảng của hầu hết hệ thống bổ sung hàng, với mục tiêu nhận diện xu hướng và tính mùa vụ ẩn dưới nhiễu doanh số. Trung bình trượt thực hiện phiên bản đơn giản nhất của công việc đó: loại bỏ các đợt tăng đột biến một lần mà không cần mô hình.

Cửa sổ đơn giản và cửa sổ có trọng số

Trung bình trượt đơn giản gán trọng số bằng nhau cho mọi kỳ. Trung bình trượt có trọng số cho các kỳ gần đây ảnh hưởng nhiều hơn, điều này quan trọng khi nhu cầu đang tăng hoặc giảm thay vì đi ngang. Hãy dùng loại có trọng số khi tháng trước nói lên nhiều điều về tháng tới hơn quý trước.

Chẳng hạn, một cửa hàng văn phòng phẩm trực tuyến lấy trung bình doanh số sổ tay của ba tháng gần nhất để đặt điểm đặt hàng lại cho dòng hàng ổn định, còn một tiệm bánh lấy trung bình doanh số bánh mì của bốn tuần vào mỗi thứ Hai để tính lượng bột mì cần đặt. Cùng một phương pháp, cửa sổ khác nhau, và cả hai đều dễ giải thích cho người mua hàng.

Hãy thử ba độ dài cửa sổ trên dữ liệu mười hai tháng gần nhất trước khi chọn một. Cửa sổ tốt nhất thường ngắn hơn bạn nghĩ.

  • So sánh với phương pháp ngây thơ: nếu doanh số kỳ trước dự báo tốt ngang trung bình của bạn, thì trung bình đó chưa xứng với độ phức tạp của nó.
  • Kết hợp với tồn kho an toàn: làm mượt chỉ loại đợt tăng đột biến khỏi dự báo, không loại khỏi nhu cầu.
  • Tách các nhóm sản phẩm: một cuốn sổ tay và một cuốn sổ kế hoạch theo mùa không nên dùng chung cửa sổ.

Hãy dùng phương pháp này khi mặt hàng bán đều, bạn có ít nhất sáu kỳ dữ liệu sạch và cần một mốc cơ sở mà bất kỳ bên liên quan nào cũng theo dõi được. Đây cũng là con số mà mọi phương pháp sau phải vượt qua. Chương trình thí điểm tồn kho 30 ngày cho nhà bán lẻ cho thấy một mốc cơ sở như vậy nhanh chóng chỉ ra những SKU cần nhiều hơn một con số trung bình.

2. Làm mượt hàm mũ (phương pháp Holt-Winters)

Làm mượt hàm mũ giữ thói quen lấy trung bình nhưng không còn coi dữ liệu cũ và mới như nhau. Mỗi quan sát bị giảm trọng số theo hàm mũ khi càng cũ, nên dự báo nghiêng về những gì đang diễn ra mà không phản ứng thái quá với một tuần bất thường.

Holt-Winters bổ sung hai thành phần: một thành phần xu hướng và một thành phần mùa vụ, áp dụng theo dạng cộng hoặc nhân tùy việc biến động mùa vụ có tăng theo sản lượng hay không. Đó là lý do các danh mục bán lẻ theo mùa dành phần lớn thời gian ở phương pháp này.

Vì sao độ chính xác quan trọng hơn

Đặt trọng số cho dữ liệu gần đây mang lại khả năng phản ứng nhanh, và khả năng đó có cái giá của nó. Một nghiên cứu về bán buôn và kiểm soát tồn kho nêu một phát hiện của Syntetos và cộng sự rằng giảm 1% độ chính xác dự báo có thể tương ứng với chi phí tồn kho tăng 10-15% khi vẫn duy trì mức dịch vụ tương đương. Tham số đặt quá chậm khiến bạn thừa hàng khi nhu cầu đổi chiều; đặt quá nhanh thì bạn đuổi theo nhiễu và gây ra hiệu ứng roi da.

A comparison chart showing Simple Exponential Smoothing versus Holt-Winters Method for inventory demand forecasting.

Ba thói quen giúp mô hình đáng tin cậy:

  • Tối thiểu hai năm: cung cấp ít nhất hai chu kỳ mùa vụ đầy đủ, nếu không thành phần mùa vụ chỉ là đoán mò.
  • Kiểm tra lại bộ tối ưu: để phần mềm giải các hằng số làm mượt, rồi xác nhận hình dạng mùa vụ khớp với năm bạn vừa trải qua.
  • Đánh dấu khuyến mãi là sự kiện: một chiến dịch ba tuần làm méo mốc cơ sở nhiều tháng nếu bạn để nó lọt vào lịch sử.

Hãy dùng phương pháp này khi nhu cầu có dạng mùa vụ lặp lại và bạn có thể cung cấp hai chu kỳ dữ liệu sạch. Để biết các mô hình làm mượt được vận hành và so sánh thế nào trong thực tế, hãy đọc dự báo tỷ lệ vỡ nợ bằng các mô hình làm mượt.

3. Mô hình chuỗi thời gian ARIMA và SARIMA

A modern cube box with a golden crescent design placed on a shelf with digital analytics charts.

Làm mượt coi lịch sử là một trung bình có trọng số. ARIMA đặt ra một câu hỏi khó hơn trên cùng dữ liệu: nhu cầu hôm nay có phụ thuộc vào hôm qua, vào cùng tuần năm ngoái và vào các sai số mô hình đã mắc trước đó không? Bước tích hợp lấy sai phân chuỗi cho đến khi xu hướng ổn định, và SARIMA bổ sung các thành phần mùa vụ cho chu kỳ theo tuần và theo năm. Nếu Holt-Winters đưa cho bạn một đường mượt hơn, thì ARIMA đưa cho bạn một mô hình của chính quá trình hình thành nhu cầu.

Khoảng dự báo quanh giá trị dự báo mới là đầu ra mang lại giá trị.

Khoảng giá trị hiệu quả hơn một con số đơn lẻ

Một nghiên cứu về tối ưu hóa bổ sung hàng mô hình hóa nhu cầu theo SKU, thời gian hoàn trả hàng và thời gian giao hàng bổ sung như các biến ngẫu nhiên, sử dụng dự báo theo phân vị thay vì một ước tính duy nhất, và đề xuất chỉ số Tỷ lệ Bất định Dự báo (Ratio of Forecast Uncertainty) để theo dõi cách mức bất định lan truyền giữa các khâu trong chuỗi cung ứng. Sự khác biệt này rất quan trọng khi lập đơn đặt hàng. Dự báo 1.000 đơn vị có ý nghĩa khác nhau khi khoảng khả dĩ là 850 đến 1.150 so với khi khoảng đó là 500 đến 1.700.

Hai người mua có thể đọc cùng một dự báo và đưa ra hai quyết định trái ngược. Một chuỗi cửa hàng tạp hóa khu vực mô hình hóa nhu cầu sữa hằng tuần với cả tính mùa vụ theo tuần và theo năm, để đợt tăng nhu cầu dịp lễ hiện ra trong đơn hàng chứ không phải sau đó. Một nhà phân phối điện tử đặt tồn kho an toàn cho linh kiện ở phân vị thứ 90 của khoảng dự báo, xác định theo mục tiêu mức phục vụ thay vì một mức cố định bằng hai tuần dự trữ. Cùng một công cụ, nhưng câu hỏi chính sách khác nhau.

Để triển khai tốt cần có kỷ luật:

  • Kiểm tra tính dừng bằng biểu đồ và một kiểm định chính thức, sau đó chỉ lấy sai phân ở mức cần thiết. Lấy sai phân quá mức sẽ tạo thêm nhiễu mà mô hình phải giải thích.
  • Giữ lại ba tháng gần nhất làm tập kiểm tra và chấm điểm mô hình trên đó trước khi tin tưởng.
  • Chuyển khoảng dự báo thành chính sách: chọn phân vị phù hợp với biên lợi nhuận, dòng tiền và cam kết mức phục vụ của bạn.
  • Tự động hóa việc chọn mô hình cho danh mục lớn. Việc chỉnh đơn hàng thủ công không thể xử lý nổi 400 SKU.

Đánh đổi ở đây là công sức. ARIMA đòi hỏi dữ liệu dừng, việc chọn bậc mô hình cẩn thận và đủ lịch sử để ước lượng các thành phần mùa vụ, đồng thời nó vẫn chỉ đọc quá khứ của chính chuỗi số liệu. Vì vậy nó trở thành mốc chuẩn mà các phương pháp nhân quả phải vượt qua: một yếu tố như giá hay khuyến mãi chỉ xứng đáng có mặt trong mô hình nếu nó dự báo tốt hơn chính lịch sử nhu cầu.

Hãy dùng phương pháp này khi chuỗi số liệu của bạn có tự tương quan mà làm mịn bỏ sót, và bạn cần một khoảng dự báo đáng tin để xác định tồn kho an toàn theo mục tiêu mức phục vụ.

4. Dự báo hồi quy nhân quả

Mọi phương pháp từ đầu đến giờ đều suy ra nhu cầu từ lịch sử của chính nó. Hồi quy nhân quả đặt ra một câu hỏi khác: điều gì làm nhu cầu thay đổi, và thay đổi bao nhiêu? Bạn đưa vào các yếu tố mà đội ngũ của bạn vốn đã theo dõi, như giá, mức giảm giá, khuyến mãi, ngày lễ, thời tiết và hoạt động của đối thủ, và mô hình ước lượng mức tăng mà mỗi yếu tố tạo ra.

Kết quả là một hệ số mà bạn có thể đem ra tranh luận, và đó chính là điểm mấu chốt. Một đợt giảm giá không chỉ làm dự báo tăng lên, mà tăng một lượng cụ thể, và lượng đó chính là thứ đơn đặt hàng của bạn cần.

Đưa lịch khuyến mãi vào mô hình

Giả sử một nhà bán lẻ đồ gia dụng muốn biết đợt giảm giá 20 phần trăm cùng chiến dịch email cuối tuần sẽ tác động thế nào đến doanh số thiết bị nhà bếp. Hồi quy ước lượng tác động tổng hợp, nhờ đó người mua đặt hàng theo một sự kiện đã lên kế hoạch thay vì theo mức trung bình tháng của năm trước. Một nhà phân phối đồ uống đưa nhiệt độ dự báo vào mô hình có thể dự trữ trước đợt nắng nóng thay vì phản ứng khi nó đã xảy ra.

Quy tắc thực tế: hãy kiểm tra từng yếu tố một trên giai đoạn giữ lại. Một yếu tố không cải thiện độ chính xác trên dữ liệu mà mô hình chưa từng thấy chỉ là một câu chuyện, không phải một tín hiệu.

A modern athletic shoe displayed on a pedestal with glowing neon icons representing price, schedule, and environment.

  • Bắt đầu từ những gì bạn đã ghi nhận: cờ khuyến mãi, thay đổi giá và lịch ngày lễ. Nhiều đội ngũ có nhiều yếu tố dùng được hơn họ nghĩ.
  • Làm mới các hệ số: phản ứng của khách hàng thay đổi sau một lần điều chỉnh giá hoặc khi có đối thủ mới, và các hệ số lỗi thời có thể dẫn đến tồn kho dư thừa.
  • Tách riêng yếu tố có kế hoạch và ngoài kế hoạch: chiến dịch được đưa vào như đầu vào; một bài đăng lan truyền hoặc giai đoạn phục hồi sau hết hàng được đưa vào như cờ sự kiện.

Hãy dùng phương pháp này khi khuyến mãi và giá chiếm phần lớn sản lượng của bạn, và khi bạn cần xác định lượng hàng cho một chiến dịch trước khi nó diễn ra chứ không phải sau đó.

5. Dự báo nhu cầu bằng học máy

Học máy thay đổi đơn vị mô hình hóa. Thay vì khớp một mô hình cho mỗi sản phẩm, bạn huấn luyện một mô hình duy nhất trên hàng nghìn tổ hợp SKU-cửa hàng và để nó học các mẫu hình chung: mặt hàng nào phản ứng với thời tiết, mặt hàng nào theo chu kỳ trả lương, mặt hàng nào theo đợt khuyến mãi hai tuần trước đó.

Gradient boosting xử lý tốt loại dữ liệu bán hàng dạng bảng này. Mạng nơ-ron phát huy giá trị khi danh mục rất lớn và các tín hiệu tương tác theo những cách bạn không thể tự xác định bằng tay.

Khi lập luận về độ chính xác trở nên phức tạp

Một nghiên cứu đánh giá 7.500 chuỗi nhu cầu và 13 phương pháp dự báo cho thấy giá trị của độ chính xác dự báo phụ thuộc vào đặc điểm sản phẩm, chính sách tồn kho, chi phí lưu kho, chi phí mất doanh số, chu kỳ rà soát và thời gian giao hàng. Nghiên cứu này cũng lưu ý rằng các doanh nghiệp nhỏ và vừa trong ngành dược thường dựa vào dự báo theo phán đoán chủ quan ngay cả khi có nhiều đơn hàng không đều, với các rào cản là dữ liệu lịch sử thiếu chính xác, thiếu nhân sự chuyên môn và mức độ áp dụng công nghệ thấp.

Hệ quả này khó chịu với bất kỳ ai chạy theo bảng xếp hạng. Một mô hình thắng về các chỉ số sai số vẫn có thể thua về chi phí khi chi phí lưu kho thấp còn chi phí hết hàng cao. Và một phương pháp trông mạnh trên các mặt hàng có nhu cầu không đều có thể chỉ đạt điểm cao vì phần lớn các kỳ có nhu cầu bằng không.

  • Vượt qua mốc cơ sở: trung bình trượt hoặc Holt-Winters là nhóm đối chứng của bạn. Nếu học máy không vượt được nó trên dữ liệu giữ lại, đừng đưa vào sử dụng.
  • Kiểm định theo thời gian, không phải ngẫu nhiên: huấn luyện trên các kỳ cũ hơn, kiểm tra trên các kỳ mới hơn.
  • Chấm điểm theo phân khúc: sai số trên 50 SKU hàng đầu quan trọng hơn sai số trên phần đuôi dài.
  • Xử lý riêng nhu cầu không đều: các mặt hàng có nhiều giá trị bằng không cần quy tắc đánh giá riêng.

A professional woman in a modern warehouse using a digital tablet for inventory management and logistics analysis.

ELECTE, một nền tảng phân tích dữ liệu ứng dụng AI dành cho doanh nghiệp nhỏ và vừa, chạy sáu phương pháp dự báo trên dữ liệu của bạn, chấm điểm chúng với nhau và chọn ra phương pháp chính xác nhất, thay thế cho việc so sánh thủ công. Với các danh mục có nhiều khuyến mãi, xem cách tính đến các đợt tăng đột biến nhu cầu khi bán hàng chớp nhoáng.

Hãy dùng phương pháp này khi bạn có lịch sử dày và chi tiết trên nhiều sản phẩm, cùng bằng chứng cho thấy nó vượt mốc cơ sở về chi phí và mức phục vụ, chứ không chỉ trên giấy.

Tổng quan 5 phương pháp dự báo tồn kho

Phương pháp

Phù hợp nhất với

Dữ liệu cần có

Xử lý tính mùa vụ

Độ khó

Dự báo bằng trung bình trượt

Nhu cầu ổn định và mức cơ sở đơn giản

Một lượng nhỏ lịch sử bán hàng gần đây

Không

Dễ

San bằng mũ (phương pháp Holt-Winters)

Nhu cầu có xu hướng và quy luật mùa vụ

Dữ liệu bán hàng của ít nhất hai chu kỳ mùa vụ

Có

Trung bình

Mô hình chuỗi thời gian ARIMA và SARIMA

Nhu cầu có tự tương quan và quy luật theo thời gian

Chuỗi thời gian lịch sử dài và sạch

Có, với SARIMA

Nâng cao

Dự báo hồi quy nhân quả

Dự báo tác động của khuyến mãi, giá và các yếu tố thúc đẩy khác

Lịch sử bán hàng và dữ liệu đáng tin cậy về các yếu tố thúc đẩy

Có thể, nếu thêm biến mùa vụ

Trung bình

Dự báo nhu cầu bằng học máy

Danh mục lớn với các yếu tố nhu cầu phức tạp

Lịch sử bán hàng lớn, sạch và dữ liệu đầu vào liên quan

Có, với các đặc trưng về lịch hoặc mùa vụ

Nâng cao

Điểm chính: Chọn phương pháp mà dữ liệu của bạn đáp ứng được

Hãy coi mỗi bậc là mức cơ sở mà bậc tiếp theo phải vượt qua. Trung bình trượt rẻ và minh bạch, nên nó đặt ra con số mà mọi mô hình sau đó phải cải thiện. Thêm Holt-Winters khi cùng một dạng mùa vụ lặp lại; dùng ARIMA hoặc SARIMA khi bạn cần khoảng dự báo có cơ sở để đặt mức phục vụ; chuyển sang hồi quy nhân quả khi khuyến mãi và biến động giá chi phối sản lượng bán; chỉ đưa học máy vào sau khi nó thắng trên tập kiểm tra giữ lại.

Chạy chuỗi các bậc này theo cùng một cách ở mỗi chu kỳ:

  • Rà soát lịch sử bán hàng: đếm số kỳ dữ liệu sạch và các SKU có chuỗi số 0 kéo dài.
  • Chọn phương pháp đơn giản nhất phù hợp với dạng nhu cầu.
  • Kiểm định trên ba tháng gần nhất, không chia ngẫu nhiên.
  • Tự động hóa việc so sánh để mức cơ sở chiến thắng thay đổi theo điều kiện.

ELECTE kết nối các nguồn kế toán, ngân hàng và bảng tính, luôn giữ dữ liệu cập nhật, chạy sáu phương pháp dự báo trên số liệu trực tiếp, chấm điểm chúng so với nhau và chọn phương pháp chính xác nhất. Bạn nhận được dự báo nhu cầu, dòng tiền và bảng lương cùng các bảng điều khiển có thể xuất hoặc chia sẻ chỉ với một cú nhấp. Hãy truy cập ELECTE để xem dự báo từ chính lịch sử bán hàng của bạn trong vài phút.

Bình luận

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