Chấm điểm trưng bày AI tại Philippines: Mổ xẻ quy trình
05/10/2026
Quy trình chấm điểm trưng bày tại điểm bán: Nghẽn ở đâu khi mở rộng sang Philippines?
Khi bắt tay vào triển khai giám sát hiển thị hàng hóa tại điểm bán (display scoring) ở một thị trường mới như Philippines, đa số đội ngũ quản lý bán hàng đều nghĩ rằng bài toán nằm ở phần mềm. Nhưng theo kinh nghiệm tư vấn cho các doanh nghiệp FMCN tại Việt Nam và Đông Nam Á, thực tế lại phức tạp hơn. Có khoảng gần một nửa thời gian và ngân sách bị tiêu tốn vào việc đối soát dữ liệu thủ công và giải quyết các trường hợp ngoại lệ mà hệ thống AI chưa thể xử lý tự động hoàn toàn. Con số này dễ gây hiểu nhầm rằng chúng ta cần một thuật toán "thần kỳ" hơn, trong khi vấn đề cốt lõi lại nằm ở quy trình vận hành con người xung quanh nó.
Để đưa AI Visibility vào thực tế, chúng ta cần mổ xẻ từng chặng của quy trình hiện tại. Hãy hình dung một chuỗi siêu thị tại Manila. Hôm nay, nhân viên bán hàng (saché) đi kiểm tra hàng. Họ chụp ảnh kệ. Vấn đề phát sinh ở chặng sau: dữ liệu đó về trung tâm, nhân viên hậu cần nhập liệu hoặc kiểm tra chéo. Chỗ nghẽn không nằm ở việc chụp ảnh, mà nằm ở việc biến bức ảnh thành một quyết định kinh doanh: hàng sắp hết, giá sai, hay đối thủ đang chiếm chỗ. AI chen vào ở bước biến ảnh thành dữ liệu có cấu trúc. Nhưng việc quyết định "làm gì tiếp theo" vẫn phải do con người đảm nhận.
Ngã rẽ số 1: Chuẩn hóa dữ liệu đầu vào hay ưu tiên tốc độ thu thập?
Đây là quyết định đầu tiên và đau đớn nhất. Bạn chọn yêu cầu nhân viên chụp ảnh theo một chuẩn cực kỳ khắt khe (góc 45 độ, ánh sáng đủ, không che khuất) để đảm bảo độ chính xác của AI, hay bạn chọn phương án cho phép linh hoạt để nhân viên có thể hoàn thành chuyến đi nhanh hơn?
Đánh đổi ở đây rất rõ ràng. Nếu bạn chọn chuẩn khắt khe, độ chính xác nhận diện SKU sẽ cao, nhưng bạn sẽ đối mặt với sự kháng cự của đội ngũ bán hàng. Họ sẽ chụp ít ảnh hơn, hoặc chụp ẩu để trốn tránh quy trình. Nếu bạn chọn linh hoạt, bạn có được dữ liệu lớn nhưng chất lượng nhiễu. Với các giải pháp hiện nay như VTraks, hệ thống có khả năng xử lý ảnh thực tế từ cửa hàng với độ chính xác công bố là 99,97% (theo vtraks.com), nhưng điều này đòi hỏi dữ liệu đầu vào phải có một mức độ nhất định về độ sắc nét và góc nhìn. Việc chuẩn hóa không có nghĩa là chụp ảnh trong phòng studio, mà là xây dựng quy trình chụp ảnh đúng cách ngay trên smartphone. Nếu thị trường Philippines có nhiều cửa hàng nhỏ lẻ, ánh sáng kém, bạn có thể cần cân nhắc thêm bước kiểm tra chất lượng ảnh ngay tại thiết bị di động trước khi tải lên. Đừng để AI gánh vác việc sửa lỗi con người. Hãy để con người làm đúng việc của họ: chụp ảnh tốt. Phần còn lại, để máy móc lo.
Ngã rẽ số 2: Tự động hóa hoàn toàn hay giữ lại vòng lặp con người?
Quy trình chấm điểm trưng bày không nên là một đường ống một chiều (one-way street). Nhiều doanh nghiệp mắc sai lầm khi nghĩ rằng AI sẽ đưa ra điểm số và chấm dứt. Thực tế, AI là công cụ hỗ trợ ra quyết định, không phải người ra quyết định. Ở chặng này, chúng ta phải chọn: AI sẽ tự động tạo báo cáo và gửi cảnh báo, hay AI sẽ đưa ra đề xuất và chờ nhân viên quản lý xác nhận?
Khuyến nghị của tôi là kết hợp. Để AI xử lý khối lượng lớn công việc nhàm chán: nhận diện SKU, so sánh với planogram, tính toán điểm tuân thủ. Nhưng giữ lại một bước "xác nhận" cho các trường hợp biên (edge cases). Ví dụ, nếu AI phát hiện một sản phẩm không có trong danh mục hiện tại, hoặc một giá hàng bị che khuất một nửa, hãy để hệ thống đánh dấu đó là "cần xem xét". Nhân viên quản lý vùng sẽ xem lại những trường hợp này. Điều này tạo ra sự tin tưởng. Nếu bạn để AI tự động phạt hoặc thưởng dựa trên những lỗi nhận diện nhỏ, bạn sẽ mất lòng tin của đội ngũ bán hàng rất nhanh. Hãy để con người làm việc với dữ liệu đã được làm sạch và cấu trúc hóa, thay vì phải lục lọi hàng trăm bức ảnh. Đó là bản chất của AI Vision trong quản lý: nó không thay thế não bộ, nó giải phóng não bộ khỏi việc xử lý thông tin thô.
Ngã rẽ số 3: Tập trung vào một vài chỉ số hay đo lường tất cả?
Khi mở rộng ra thị trường mới, sự hấp dẫn của AI là khả năng đo lường mọi thứ: độ phủ hàng, giá cả, vị trí, độ sạch sẽ của kệ, thậm chí là thái độ nhân viên (nếu có camera). Nhưng hãy cẩn thận. Đo lường quá nhiều chỉ số không có ý nghĩa chiến lược sẽ tạo ra "nhiễu thông tin". Nhân viên sẽ không biết nên cải thiện điều gì trước.
Bạn cần chọn 2-3 chỉ số then chốt (KPIs) phản ánh trực tiếp doanh thu. Ví dụ: % SKU có hàng trên kệ (Out-of-Stock detection) và Độ tuân thủ Planogram. Những chỉ số này là cốt lõi của chấm điểm trưng bày. Đừng cố nhồi nhét thêm việc phân tích cảm xúc hay các chỉ số phụ trợ vào giai đoạn đầu. Hãy giữ quy trình tập trung. Khi bạn đã làm chủ được 2 chỉ số chính này ở Philippines, lúc đó hãy mở rộng sang các chỉ số khác. Việc này giúp đội ngũ tập trung cải thiện đúng trọng tâm, và dữ liệu đầu vào sẽ đồng nhất hơn, từ đó tăng hiệu quả của mô hình AI.
Kết cục cho hành trình AI Visibility tại Philippines
Quay lại con số ước lượng ban đầu về việc gần một nửa nguồn lực bị lãng phí. Khi quy trình được thiết kế lại theo các ngã rẽ trên, phần lãng phí đó không biến mất hoàn toàn, nhưng nó chuyển từ "sự cố kỹ thuật" sang "quy trình vận hành". Thay vì mất thời gian tranh cãi về việc AI nhận diện sai, đội ngũ tập trung vào việc làm sao để tăng độ phủ hàng tại những điểm bán trọng điểm. AI Visibility không phải là phép màu biến một đội ngũ bán hàng yếu thành một đội ngũ mạnh. Nó là chiếc kính lúp giúp bạn thấy rõ chính xác vấn đề nằm ở đâu, và nhanh như thế nào.
Triển khai thành công tại một thị trường mới không nằm ở việc có bao nhiêu camera hay thuật toán phức tạp đến đâu, mà nằm ở việc bạn có dám cắt bỏ những bước thủ công không cần thiết hay không. Hãy để máy làm việc của máy, và để người làm việc của người. Đó là con đường bền vững nhất để đưa chấm điểm trưng bày vào thực tế, bất kể bạn đang ở Hà Nội, Manila hay Mexico City. AIVISION và các đối tác như VTraks đang hỗ trợ nhiều thương hiệu lớn trong khu vực thực hiện điều này, nhưng bài toán vận hành cuối cùng vẫn luôn thuộc về doanh nghiệp của bạn.
Bài toán của mỗi doanh nghiệp một khác, và phần khó thường nằm ở dữ liệu chứ không phải mô hình. Nếu muốn kiểm chứng nhanh, hãy liên hệ AIVISION; hoặc xem trước cách chúng tôi triển khai và các bài viết liên quan.