Tối ưu hóa trưng bày: Chuyện từ những kệ hàng 'chết' ở kho lạnh

09/09/2026

Nhiều người vẫn nghĩ tối ưu hóa trưng bày là việc của đội hình ảnh thương hiệu. Họ tin rằng chỉ cần sắp xếp sản phẩm theo màu sắc, theo logo hoặc theo chỉ đạo từ ban điều hành khu vực là đủ. Nhưng thực tế triển khai cho thấy điều này hoàn toàn sai. Kệ hàng đẹp mắt nhưng không có người mua, hoặc có người mua nhưng họ phải đi vòng vèo để tìm đúng thứ cần. Vấn đề không nằm ở thẩm mỹ, mà nằm ở việc liệu mặt hàng đó có đang ở đúng vị trí, vào đúng thời điểm mà nhu cầu bùng nổ hay không. Đây là bài toán về retail analytics, nơi dữ liệu bán hàng thời gian thực phải đối thoại trực tiếp với không gian vật lý.

Bài toán của những mét vuông 'ngủ quên'

Tôi nhớ có một chuỗi bán lẻ tại khu vực miền Nam, chuyên về các sản phẩm FMCG nhanh tiêu dùng. Bài toán của họ nghe rất đơn giản: doanh thu trên mỗi mét vuông (sales per square meter) đang giảm dần, trong khi chi phí mặt bằng lại tăng đều mỗi năm. Họ đã thuê một công ty tư vấn lớn để vẽ lại planogram. Kết quả là những bản vẽ tuyệt đẹp, nhưng sau khi triển khai, doanh thu vẫn dậm chân tại chỗ. Lý do? Bản vẽ đó là tĩnh. Nó được thiết kế dựa trên dữ liệu trung bình của cả quý, trong khi hành vi mua hàng của khách hàng Việt Nam thay đổi rất nhanh theo mùa vụ, theo khuyến mãi và thậm chí theo thời tiết.

Khi ngồi nói chuyện với các giám đốc vận hành, họ thường phàn nàn về việc đội ngũ thu ngân và nhân viên bán hàng không cập nhật được số liệu. Họ bán theo cảm tính, theo kinh nghiệm. Một nhân viên bán hàng giỏi có thể 'cảm' được rằng hôm nay trời nồm nên người ta sẽ mua nhiều hơn sản phẩm giữ ẩm, nhưng hệ thống quản lý kho hàng thì không biết điều đó. Sự lệch pha giữa thực tế tại quầy và dữ liệu trên máy tính chính là khoảng trống mà các giải pháp AI hiện đại đang nhắm tới. Chúng ta không cần một hệ thống thay thế con người, chúng ta cần một hệ thống để con người ra quyết định nhanh hơn và chính xác hơn.

Điều kiện thực tế: Dữ liệu bẩn và quy trình cứng nhắc

Trước khi nói về thuật toán, chúng ta phải nói về những điều kiện thực tế khốc liệt tại các nhà máy và kho hàng ở Việt Nam, cũng như tại các thị trường lân cận như Thái Lan hay Philippines. Dữ liệu bán hàng thường bị nhiễu. Sản phẩm được quét mã sai, khuyến mãi offline không được nhập vào POS, hay đơn giản là hàng bị hết mà không có cảnh báo. Nếu bạn đưa dữ liệu 'bẩn' vào thuật toán, bạn sẽ nhận ra kết quả 'điên'.

Một trở ngại khác là quy trình ra quyết định. Tại nhiều doanh nghiệp, việc thay đổi vị trí một chai dầu nhớt hay một gói mì ăn liền trên kệ phải qua ít nhất ba cấp phê duyệt. Trong khi đó, dữ liệu thời gian thực cho thấy sản phẩm A đang bán chạy gấp đôi dự báo, nhưng sản phẩm B chiếm chỗ của nó. Nếu phải chờ ba ngày để có giấy phép di chuyển hàng, cơ hội đã mất. Bài toán ở đây không chỉ là công nghệ, mà là phá vỡ cái vòng xoáy phê duyệt truyền thống. Chúng tôi đã triển khai cùng một số tập đoàn lớn như Masan và các đối tác trong ngành dầu nhớt, và nhận thấy rằng rào cản lớn nhất không phải là phần mềm, mà là sự sẵn sàng của con người để tin vào một tín hiệu dữ liệu thay vì vào 'truyền thống'.

Ngã rẽ của thuật toán: Chọn giữa tốc độ và độ chính xác

Khi bắt tay vào giải quyết bài toán chiến lược bán lẻ này, chúng ta đứng trước hai ngã rẽ lớn. Ngã rẽ thứ nhất là sử dụng thuật toán sắp xếp tĩnh. Loại này dễ triển khai, chi phí thấp, nhưng nó chỉ tốt khi thị trường ổn định. Ngã rẽ thứ hai là sử dụng Agentic AI kết hợp với Computer Vision. Đây là con đường khó hơn, đòi hỏi đầu tư vào hạ tầng camera và xử lý dữ liệu lớn, nhưng nó cho phép hệ thống tự động phát hiện sai lệch giữa planogram thiết kế và thực tế trên kệ.

Chúng tôi chọn con đường thứ hai cho những trường hợp có tần suất thay đổi hàng cao. Hệ thống sẽ phân tích dữ liệu bán hàng trong vòng 15 phút. Nếu một sản phẩm có xu hướng tăng trưởng đột biến, thuật toán sẽ đề xuất vị trí mới. Điểm quan trọng ở đây là tính 'giải thích được'. Nhân viên không cần biết thuật toán hoạt động như thế nào, nhưng họ cần biết *tại sao* nên di chuyển sản phẩm này lên trên. Nếu AI chỉ nói 'Di chuyển nó', nhân viên sẽ không làm. AI phải nói 'Di chuyển nó lên tầm mắt vì doanh thu sản phẩm này tăng 20% so với ngày hôm qua'. Sự minh bạch này là chìa khóa để giữ chân con người trong quy trình.

Đo lường cái gì khi không thể đo đếm mọi thứ

Sau khi triển khai, chúng ta không nên chạy theo những con số tuyệt đối như 'tăng 5% doanh thu'. Thay vào đó, cần nhìn vào các chỉ số định tính và hành vi. Quan sát xem thời gian trung bình để một nhân viên tìm và sắp xếp lại hàng có giảm đi không? Trước đây, họ mất cả buổi sáng để đếm tồn kho và sắp xếp. Nay, nhờ có cảnh báo tự động từ hệ thống nhận diện hình ảnh, họ chỉ cần xử lý những điểm bất thường. Hiệu suất lao động tăng lên, nhưng quan trọng hơn là sự chủ động.

Có một chi tiết thú vị mà tôi thấy ở một dự án tại Mexico, nơi các chuỗi bán lẻ đa quốc gia vận hành. Khi hệ thống bắt đầu đề xuất các thay đổi nhỏ, liên tục, đội ngũ bán hàng bắt đầu tự mình theo dõi bảng điều khiển. Họ không còn đợi chỉ đạo từ trên xuống. Họ tự nhìn vào dữ liệu và đề xuất ý tưởng. Đây là văn hóa dữ liệu. Nó không đến từ việc cài đặt phần mềm, mà đến từ việc con người bắt đầu hiểu giá trị của thông tin. Doanh thu trên mỗi mét vuông tăng lên không phải vì AI thần kỳ, mà vì các quyết định được đưa ra nhanh hơn và dựa trên thực tế chứ không phải cảm tính. AIVISION đã đồng hành trong quá trình xây dựng nền tảng này, giúp các doanh nghiệp biến dữ liệu thô thành hành động cụ thể, nhưng thành công cuối cùng vẫn thuộc về năng lực vận hành của chính doanh nghiệp.

Nếu làm lại, tôi sẽ chọn điều gì khác?

Nếu có cơ hội làm lại từ đầu, tôi sẽ dành nhiều thời gian hơn cho việc huấn luyện con người. Công nghệ chỉ chiếm 30% thành công. 70% còn lại nằm ở việc nhân viên có tin tưởng và sử dụng công cụ đó hay không. Tôi từng thấy những hệ thống AI rất đắt tiền bị bỏ hoang trong góc phòng điều hành chỉ vì người dùng cảm thấy nó làm họ mất mặt. Họ không muốn bị một máy tính 'chỉ đạo'. Nếu tôi làm lại, tôi sẽ thiết kế giao diện sao cho AI đóng vai trò là trợ lý, không phải sếp. Nó sẽ đưa ra các lựa chọn, và con người là người bấm nút xác nhận.

Cuối cùng, việc tối ưu hóa trưng bày không phải là một dự án một lần. Nó là một quá trình liên tục. Thị trường thay đổi, sản phẩm thay đổi, và người tiêu dùng thay đổi. Câu hỏi đặt ra cho bất kỳ nhà quản lý nào đang đọc bài viết này không phải là 'AI có thể làm gì cho tôi?', mà là 'Tổ chức của tôi có đủ linh hoạt để thay đổi vị trí một sản phẩm trong 15 phút mà không cần hỏi ý kiến sếp không?'. Nếu câu trả lời là không, thì dù bạn có đầu tư bao nhiêu tiền vào công nghệ đi chăng nữa, bạn vẫn đang kẹt lại trong quá khứ.

Nếu bạn đang cân nhắc một bài toán tương tự, đội ngũ AIVISION có thể ngồi lại cùng bạn để bóc tách phạm vi trước khi chi một đồng nào. Tham khảo dịch vụ AI hoặc đặt một buổi trao đổi.