Cách chuẩn hóa phân loại sản phẩm và quản lý mã hàng tự động
10/09/2026
Tháng trước, tôi ngồi đối diện với giám đốc vận hành của một thương hiệu tiêu dùng nhanh tại TP.HCM. Dự án triển khai AI nhận diện hàng hóa của họ đã trễ hạn ba tuần. Lý do không phải là thuật toán không chạy được, mà là dữ liệu đầu vào quá hỗn loạn. Cùng một loại dầu nhớt 4L, chi nhánh A ghi là "Dầu 4L", chi nhánh B ghi là "Dầu nhớt 4 lít", còn kho trung tâm lại gọi là "Oil 4L". Hệ thống AI học được cái gì thì tôi không dám nói chắc. Bài học rút ra ở đây rất đơn giản: nếu bạn không làm sạch dữ liệu trước, AI chỉ giúp bạn nhân bản sự lộn xộn nhanh hơn mà thôi. Chúng ta cần bắt đầu từ việc chuẩn hóa quy trình phân loại sản phẩm, chứ không phải nhảy vào công nghệ ngay lập tức.
Bước 1: Định nghĩa lại bộ quy tắc phân loại sản phẩm
Trước khi đưa bất kỳ dòng dữ liệu nào vào máy, bạn cần ngồi lại và thống nhất ngôn ngữ chung. Đây là bước tốn thời gian nhất nhưng quan trọng nhất. Đầu vào bạn cần có là danh sách toàn bộ các SKU hiện tại, các bộ danh mục đang dùng trong ERP hoặc WMS, và danh sách các mã lỗi thường gặp. Việc phải làm là loại bỏ các tên gọi trùng lặp và thiết lập một cấu trúc phân cấp rõ ràng. Ví dụ, thay vì chỉ ghi "Sữa", hãy quy định chuẩn là "Danh mục: Thực phẩm > Nhóm: Sữa & Đồ uống > Loại: Sữa tươi > Biến thể: 180ml". Đầu ra nhìn thấy được là một bảng Excel hoặc file CSV duy nhất, nơi mỗi sản phẩm chỉ có một cách gọi và một mã duy nhất. Dấu hiệu biết bước này đã xong là khi hai nhân viên kho ở hai chi nhánh khác nhau nhìn vào cùng một sản phẩm và gọi tên nó giống hệt nhau, không cần phải hỏi lại ai cả.
Bước 2: Làm sạch và chuẩn hóa dữ liệu hiện có
Nhiều doanh nghiệp bỏ qua bước này vì nghĩ rằng dữ liệu cũ sẽ tự biến mất. Không phải vậy. Dữ liệu cũ là gốc rễ của mọi xung đột sau này. Đầu vào là toàn bộ lịch sử nhập hàng trong 12-24 tháng gần nhất. Việc phải làm là dùng các quy tắc logic để gộp các biến thể tên gọi lại về mã chuẩn. Nếu bạn có dữ liệu lớn, việc làm tay là bất khả thi. Tại đây, các công cụ xử lý ngôn ngữ tự nhiên có thể giúp phát hiện các lỗi chính tả hoặc tên gọi gần giống nhau. Tôi từng làm việc cùng Masan và một số doanh nghiệp ngành mì ăn liền, nơi mà chỉ riêng tên gọi các vị bột mì đã có hàng chục biến thể. Chúng tôi đã sử dụng các thuật toán khớp xấp xỉ để gộp chúng lại. Đầu ra là một tập dữ liệu "sạch", trong đó mỗi mã hàng tương ứng với đúng một mô tả chuẩn. Dấu hiệu hoàn thành là tỷ lệ các bản ghi trùng lặp hoặc mơ hồ giảm xuống dưới mức cho phép, thường là dưới 5%.
Bước 3: Xây dựng mô hình gán mã tự động
Bây giờ chúng ta mới đến phần công nghệ. Đầu vào là tập dữ liệu sạch từ bước 2 và các ảnh chụp hoặc mô tả sản phẩm mới. Việc phải làm là huấn luyện một mô hình máy học, có thể là dựa trên văn bản hoặc thị giác máy tính (computer vision), để nhận diện sản phẩm mới và gán cho nó mã phân loại đúng. Bạn không cần một mô hình phức tạp ngay từ đầu. Hãy bắt đầu với một mô hình đơn giản, ví dụ như phân loại dựa trên tên sản phẩm và một vài thuộc tính cơ bản. Sau đó, hãy mở rộng sang việc đọc mã vạch hoặc nhận diện hình ảnh bao bì. Đầu ra nhìn thấy được là một hệ thống có khả năng đề xuất mã hàng cho mỗi sản phẩm mới nhập với độ tin cậy nhất định. Dấu hiệu bước này xong là khi hệ thống có thể gán đúng mã cho ít nhất 90% các sản phẩm quen thuộc và đưa ra cảnh báo rõ ràng khi gặp sản phẩm lạ mà nó không chắc chắn.
Bước 4: Tích hợp vào quy trình nhập hàng đa chi nhánh
Một mô hình chạy tốt trong phòng thí nghiệm là một chuyện, nhưng chạy tốt trong kho hàng lúc 5 giờ sáng là chuyện khác. Đầu vào là hệ thống WMS hoặc ERP hiện tại của bạn. Việc phải làm là nhúng mô hình AI vào quy trình nhập hàng. Khi nhân viên quét mã hoặc chụp ảnh sản phẩm mới, hệ thống sẽ tự động kiểm tra và gán mã phân loại. Nếu độ tin cậy cao, nó tự động chấp nhận. Nếu thấp, nó chuyển sang hàng đợi để con người xem xét. Điều quan trọng là phải đảm bảo tính nhất quán trên toàn bộ chuỗi. Một sản phẩm được gán mã tại kho trung tâm ở Bình Dương phải có cùng mã và cùng danh mục khi nó đến kho phân phối tại Hà Nội hoặc tại một đối tác ở Thái Lan. Tôi đã thấy điều này xảy ra hiệu quả khi đồng hành cùng các doanh nghiệp ngành dầu nhớt, nơi mà việc thiếu nhất quán dữ liệu từng khiến họ mất hàng tuần để đối soát hàng tồn. Đầu ra là một luồng nhập hàng liền mạch, giảm thiểu các bước nhập liệu thủ công. Dấu hiệu hoàn thành là thời gian xử lý một lô hàng mới giảm đi đáng kể, và không còn tình trạng hai kho ghi nhận hai mã khác nhau cho cùng một sản phẩm.
Bước 5: Giám sát, phản hồi và mở rộng quy mô
Công việc không kết thúc khi hệ thống đi vào hoạt động. Dữ liệu luôn thay đổi. Các sản phẩm mới ra mắt, các bao bì đổi thiết kế, các lỗi nhập liệu mới phát sinh. Đầu vào là các log hoạt động hàng ngày và các trường hợp ngoại lệ do con người can thiệp. Việc phải làm là thiết lập một vòng lặp phản hồi. Mỗi khi nhân viên kho sửa lại một mã do AI gán sai, hệ thống phải ghi nhận lại lỗi đó và dùng nó để tái huấn luyện mô hình. Đây là cách để AI ngày càng thông minh hơn theo thời gian thực. Bạn cũng cần theo dõi các chỉ số về độ chính xác và tỷ lệ can thiệp thủ công. Nếu tỷ lệ can thiệp tăng cao, có nghĩa là dữ liệu đầu vào đang bị ô nhiễm trở lại hoặc mô hình đang bị lỗi thời. Mở rộng quy mô từ một dây chuyền, một nhà máy, rồi đến cả chuỗi bán lẻ là một quá trình thận trọng. Đừng cố gắng áp dụng cho toàn bộ hệ thống ngay từ đầu. Hãy bắt đầu với một kho, một danh mục sản phẩm cụ thể. Khi đã ổn định, hãy nhân bản quy trình đó sang các chi nhánh khác. Kết thúc bài viết này, hãy quay lại hình ảnh vị giám đốc vận hành mà tôi nhắc đến ở đầu bài. Sau khi chúng tôi áp dụng đúng quy trình từ bước 1 đến bước 5, dự án không chỉ bắt kịp tiến độ mà còn vượt kỳ vọng. Hệ thống AI giờ đây không còn là một hộp đen gây lo lắng, mà là một nhân viên kho ảo luôn luôn nhất quán. Dữ liệu sạch, mã hàng chuẩn, và sự yên tâm trong quản trị đã trở lại. Đó mới là kết cục thực sự của việc tự động hóa đúng cách.
Chúng tôi viết loạt bài này từ những dự án đã chạy thật. Xem thêm tại blog AIVISION, tìm hiểu nhận diện khuôn mặt và các giải pháp khác, hoặc liên hệ để được tư vấn.