AI dự báo nhu cầu và tồn kho cho cửa hàng bán lẻ: từ bảng tính đến cảnh báo sắp hết hàng

Cập nhật tháng 10/2026. Tên hàm và vị trí menu dựa trên tài liệu hỗ trợ của Microsoft và Google tại thời điểm viết; phiên bản phần mềm khác nhau có thể hiển thị hơi khác.

Nếu bạn đã đọc bài AI phân tích dữ liệu bán hàng cho doanh nghiệp nhỏ, bạn đã biết cách nhìn lại chuyện đã xảy ra. Bài này đi bước tiếp theo: dùng chính dữ liệu đó để đoán tuần sau bán bao nhiêu, rồi quyết định đặt bao nhiêu, khi nào.

1. Vấn đề: đặt hàng theo trí nhớ

Ở cửa hàng nhỏ, chủ hoặc nhân viên lâu năm nhìn kệ, nhớ “tuần trước bán khá” rồi gọi nhà cung cấp. Khi lên hàng nghìn mã hàng (SKU) và thêm điểm bán, trí nhớ bắt đầu sai theo ba kiểu:

Dự báo nhu cầu chỉ thay câu “tôi nhớ là…” bằng một con số có căn cứ để người đặt hàng điều chỉnh tiếp.

2. Dữ liệu cần có trước khi nói đến AI

Tối thiểu, bạn cần một bảng tính với:

• Lịch sử bán theo ngày và theo mã hàng: ngày, mã SKU, số lượng bán. Nên có 6–12 tháng; muốn thấy hiệu ứng Tết cần ít nhất một mùa Tết.
• Tồn kho hiện tại theo mã và theo điểm bán.
• Thời gian chờ hàng: từ lúc đặt đến lúc hàng về kệ, theo nhà cung cấp.
• Lịch khuyến mãi đã chạy: thiếu nó, mô hình sẽ tưởng đợt giảm giá là nhu cầu thật.
• Sự kiện đặc biệt: Tết, Trung thu, khai giảng, 11/11, mưa bão, ngày đóng cửa.
• Hạn sử dụng theo lô với thuốc, sữa, mỹ phẩm.

Phần mềm bán hàng phổ biến đều xuất được ra Excel. Tốn công nhất là làm sạch: gộp mã trùng, sửa đơn vị tính (thùng và lốc), đánh dấu ngày bán 0 vì hết hàng.

3. Từ bảng tính đến dự báo

Cách 1: Forecast Sheet và hàm FORECAST.ETS trong Excel

Theo tài liệu của Microsoft, Excel cho Microsoft 365, Excel 2021 và 2024 có công cụ Forecast Sheet (thẻ Data, nhóm Forecast). Chọn cột ngày và số lượng bán, đặt ngày kết thúc, Excel tạo trang mới gồm bảng dự báo, khoảng tin cậy (mặc định 95%) và biểu đồ. Phía sau là hàm FORECAST.ETS, dùng phương pháp làm trơn hàm mũ (ETS) có tính mùa vụ.

Với dữ liệu theo ngày, chu kỳ thường là 7 ngày. Công thức mẫu:

Lưu ý: cột ngày phải cách đều; hàm tự bù khi thiếu dưới 30% dữ liệu; FORECAST.ETS.SEASONALITY cho biết chu kỳ Excel tự nhận. Dấu phân cách (; hoặc ,) tuỳ cài đặt vùng.

Cách 2: Google Sheets

Theo tài liệu của Google, hàm FORECAST trong Google Sheets là hồi quy tuyến tính: thấy được xu hướng tăng giảm nhưng không bắt nhịp cuối tuần hay mùa Tết. Nên dự báo theo tuần, hoặc dùng cách 3.

Cách 3: nhờ trợ lý AI phân tích

Trợ lý AI có khả năng chạy mã phân tích có thể đọc tệp xuất từ phần mềm bán hàng, tìm mùa vụ và đề xuất số lượng đặt. Bạn hỏi bằng tiếng Việt, nhưng cần kiểm tra lại con số. Câu lệnh mẫu:

4. Điểm đặt hàng lại và tồn kho an toàn

Để biết “khi nào đặt”, cần hai con số:

• Điểm đặt hàng lại = nhu cầu trung bình mỗi ngày × số ngày chờ hàng + tồn kho an toàn.
• Tồn kho an toàn khi thời gian chờ ổn định = hệ số mức phục vụ × độ lệch chuẩn nhu cầu mỗi ngày × căn bậc hai số ngày chờ. Hệ số 1,65 ứng với mục tiêu không hết hàng trong khoảng 95% chu kỳ đặt.

Ví dụ minh hoạ (số giả định): một nhà thuốc bán trung bình 12 hộp khẩu trang mỗi ngày, độ lệch chuẩn 4 hộp, nhà phân phối giao sau 3 ngày. Tồn kho an toàn ≈ 1,65 × 4 × √3 ≈ 12 hộp. Điểm đặt hàng lại ≈ 12 × 3 + 12 = 48 hộp. Trong Excel, độ lệch chuẩn tính bằng hàm STDEV.S trên cột bán hằng ngày.

Hàng chủ lực nên đặt mức phục vụ cao; hàng chậm, dễ hết hạn đặt thấp hơn.

5. Cảnh báo sắp hết hàng và sắp hết hạn

Thêm một cột trạng thái trong bảng tồn kho:

Muốn nhận thông báo tự động qua email hay Zalo, xem bài 5 việc nên làm trước khi tự động hoá quy trình bằng AI.

6. Ví dụ: chuỗi 3 cửa hàng mỹ phẩm ở Cần Thơ

Tình huống minh hoạ: chuỗi 3 điểm bán, khoảng 1.500 mã hàng, xuất dữ liệu mỗi sáng thứ Hai. Họ bắt đầu nhỏ:

1. Chỉ dự báo 100 mã đóng góp phần lớn doanh thu.
2. Đánh dấu tay các tuần khuyến mãi 11/11 và tháng Chạp.
3. Mỗi tuần so dự báo với thực tế; mã lệch nhiều thì ghi lý do (đối thủ giảm giá, KOL nhắc đến, hãng hết hàng).
4. Sau hai tháng mới mở rộng và thêm cảnh báo hạn dùng.

Dữ liệu sản phẩm sạch còn giúp viết nội dung bán hàng, xem bài AI viết mô tả sản phẩm hàng loạt.

7. Chi phí và công sức (ước tính tham khảo)

• Tự làm bằng Excel hoặc Google Sheets: gần như không tốn phần mềm nếu đã có bản quyền. Công sức: 1–2 tuần làm sạch dữ liệu ban đầu, sau đó 1–2 giờ mỗi tuần.
• Dùng trợ lý AI trả phí: thường vài trăm nghìn đồng mỗi người mỗi tháng tuỳ gói.
• Tính năng dự báo trong phần mềm bán hàng hoặc ERP: theo gói nhà cung cấp; hỏi rõ có xét khuyến mãi và mùa Tết không.

Các con số trên chỉ là khoảng ước tính, thay đổi theo quy mô và nhà cung cấp.

8. Rủi ro cần biết

• Dữ liệu bẩn: mã trùng, sai đơn vị tính, ngày hết hàng ghi là 0 đều kéo dự báo lệch.
• Sự kiện bất thường: dịch bệnh, bão lũ, một video lan truyền có thể đẩy nhu cầu tăng vọt; mô hình dựa trên quá khứ không đoán được.
• Lệ thuộc mô hình: dự báo là đề xuất, người ký đơn chịu trách nhiệm.
• Hàng bán chậm, bán lẻ tẻ: nên đặt theo mức tồn tối thiểu cố định.

9. Thuật ngữ cần biết

• Tồn kho an toàn (safety stock): lượng hàng giữ thêm để phòng nhu cầu vượt dự báo hoặc hàng về trễ. Nguồn: Safety stock.
• Điểm đặt hàng lại (reorder point): mức tồn kho mà khi chạm tới thì phải đặt hàng bổ sung. Nguồn: Reorder point.
• Thời gian chờ hàng (lead time): khoảng thời gian từ lúc đặt hàng đến lúc hàng sẵn sàng để bán. Nguồn: Reorder point.
• Làm trơn hàm mũ (ETS): phương pháp dự báo coi trọng dữ liệu gần đây hơn dữ liệu cũ, có thể tính cả xu hướng và mùa vụ. Nguồn: FORECAST.ETS function.

10. Tìm hiểu thêm

• Create a forecast in Excel for Windows: hướng dẫn Forecast Sheet và các tuỳ chọn mùa vụ, khoảng tin cậy.
• FORECAST trong Google Sheets: cú pháp hàm dự báo tuyến tính.
• Exponential smoothing: nền tảng của phương pháp ETS.

11. Câu hỏi thường gặp

PDL Digital đào tạo đội ngũ bán lẻ dùng Excel, Google Sheets và trợ lý AI để phân tích bán hàng, dự báo nhu cầu và dựng bảng cảnh báo tồn kho. Xem trang đào tạo để chọn khoá phù hợp.