Ban Giám đốc mở Dashboard tháng 8.
Một chỉ số lập tức nổi bật:
Con số hoàn toàn chính xác.
Nhưng ngay sau đó là hàng loạt câu hỏi:
Giảm ở sản phẩm nào?
Khách hàng nào?
Khu vực nào?
Do giá bán giảm hay sản lượng giảm?
Sales bán kém hay thị trường đang yếu?
Có phải khách hàng lớn giảm đơn?
Hay doanh nghiệp có đơn hàng nhưng không giao được?
Đây là biến động tạm thời hay dấu hiệu của một xu hướng xấu?
Dashboard truyền thống rất giỏi trả lời:
WHAT HAPPENED? – Chuyện gì đã xảy ra?
Nhưng người quản lý thực sự cần biết:
Đây là một trong những ứng dụng rất thực tế của AI trong phân tích dữ liệu quản trị doanh nghiệp:
Một công ty có thể có hàng trăm báo cáo:
Doanh thu theo tháng.
Doanh thu theo khách hàng.
Doanh thu theo SKU.
Doanh thu theo Salesman.
Doanh thu theo vùng.
Doanh thu theo kênh.
Doanh thu theo công ty.
Doanh thu theo nhóm sản phẩm.
Dữ liệu có đầy đủ.
Nhưng khi CEO hỏi:
“Tại sao doanh thu giảm 8,7%?”
Finance bắt đầu xuất Excel.
Sales xuất thêm một file khác.
IT chạy Query.
Các phòng ban lọc PivotTable.
Hai ngày sau mới có một bản phân tích.
Vấn đề không phải doanh nghiệp không có dữ liệu.
Vấn đề là:
Doanh thu có thể được phân tích theo:
Thời gian
×
Công ty
×
Chi nhánh
×
Khu vực
×
Khách hàng
×
Nhóm khách hàng
×
Salesman
×
Sản phẩm
×
Nhóm sản phẩm
×
Kênh bán
×
Đơn hàng
×
Giá
×
Số lượng
Chỉ cần vài chiều dữ liệu, số tổ hợp cần kiểm tra đã rất lớn.
Con người thường xử lý bằng kinh nghiệm:
“Chắc do miền Bắc.”
Sau đó kiểm tra miền Bắc.
Không phải.
“Có thể do khách hàng A.”
Tiếp tục kiểm tra.
Không phải.
“Hay do nhóm sản phẩm X?”
Lại mở báo cáo.
Đây chính là nơi AI có lợi thế:
Tháng 7:
Doanh thu: 100 tỷ đồng
Tháng 8:
Doanh thu: 91,3 tỷ đồng
Chênh lệch:
Một Dashboard truyền thống hiển thị:
▼ 8,7%
Thông tin đúng.
Nhưng giá trị quản trị còn thấp.
Một hệ thống phân tích tốt hơn cần bóc tách:
Giảm:
-4,2 tỷ
Giảm:
-2,1 tỷ
Giảm:
-1,6 tỷ
Tác động ròng:
-0,8 tỷ
Ngay lập tức Ban Giám đốc biết:
Nhưng phân tích chưa nên dừng ở đó.
Tháng trước khách hàng A mua:
10 tỷ đồng.
Tháng này:
5,8 tỷ đồng.
AI tiếp tục Drill-down.
Kết quả:
Số đơn hàng gần như không thay đổi.
Giá bán trung bình không giảm đáng kể.
Nhưng:
Số lượng giao thực tế giảm mạnh.
Tiếp tục phân tích:
Đơn đặt hàng của khách vẫn có.
Như vậy vấn đề chưa chắc nằm ở Sales.
AI kiểm tra tiếp:
Order Quantity: bình thường.
Confirmed Quantity: bình thường.
Delivered Quantity: giảm.
Tiếp tục xuống một tầng nữa:
Ba SKU không giao đủ hàng.
Nguyên nhân:
Stock-out nguyên vật liệu X.
Lúc này chuỗi nguyên nhân trở thành:
Câu chuyện quản trị đã hoàn toàn khác.
Nếu chỉ nhìn báo cáo doanh thu, Sales có vẻ là bộ phận có vấn đề.
Nhưng Root Cause thực tế nằm trong Supply Chain.
Purchasing có đặt hàng không?
Có.
PO có phát hành đúng hạn không?
Có.
Nhà cung cấp có giao đúng ngày không?
Không.
Lead Time Master:
15 ngày.
Lead Time thực tế sáu tháng gần nhất:
24–28 ngày.
Như vậy chuỗi nguyên nhân cuối cùng có thể là:
Khách hàng A đóng góp 48% mức giảm
Không giao đủ 3 SKU
Thiếu nguyên vật liệu X
Nhà cung cấp giao muộn
Planning vẫn sử dụng Lead Time 15 ngày
Bây giờ doanh nghiệp mới có một thông tin có thể hành động.
Cho biết:
Doanh thu giảm 8,7%.
Cho biết:
Phần lớn mức giảm đến từ khách hàng A.
Có thể giúp phát hiện:
Khách hàng A giảm chủ yếu do ba SKU không được giao đủ vì nguyên vật liệu X thiếu hàng; nhà cung cấp đang có Lead Time thực tế cao hơn đáng kể so với Master Data đang được Planning sử dụng.
Cấp độ giá trị của dữ liệu tăng dần:
Đây mới là hướng AI có thể tạo ra giá trị lớn cho quản trị doanh nghiệp.
Cùng một phương pháp có thể áp dụng cho rất nhiều KPI.
Ví dụ:
AI có thể phân tích:
Giá bán?
Product Mix?
Material Cost?
Discount?
Freight?
Yield?
Scrap?
Khách hàng?
Có thể phân tích:
Nguyên vật liệu.
Điện.
Nhân công.
Overtime.
Machine Hour.
Yield Loss.
Downtime.
Rework.
Có thể phân tích:
SKU nào?
Nhà máy nào?
Raw Material hay Finished Goods?
Forecast tăng?
Demand giảm?
Batch Size lớn?
PO về sớm?
Sales chậm?
Có thể phân tích:
Khách hàng nào?
Invoice nào?
Sales Region nào?
Payment Term thay đổi?
Khách trả chậm?
Invoice Dispute?
Thiếu chứng từ?
Có thể phân tích:
Máy nào?
Ca nào?
Nguyên liệu nào?
Supplier nào?
Operator nào?
Batch nào?
Thông số nào thay đổi?
AI Analytics không nên được xây riêng cho từng câu hỏi.
Doanh nghiệp nên xây một mô hình dữ liệu quản trị đủ tốt để AI có thể đi xuyên các chiều dữ liệu.
AI phát hiện:
Khi Supplier X giao nguyên liệu, Scrap Rate cao hơn 12%.
Đây là một tín hiệu rất đáng chú ý.
Nhưng chưa thể kết luận:
Supplier X gây ra phế phẩm.
Có thể Supplier X chủ yếu cung cấp nguyên liệu cho:
Máy cũ hơn.
Hoặc:
Một nhóm sản phẩm khó sản xuất hơn.
Hoặc:
Ca đêm.
AI rất mạnh trong việc phát hiện:
Nhưng người quản lý vẫn phải phân biệt:
Correlation – tương quan
và
Causation – quan hệ nguyên nhân.
Do đó, AI tốt không nên nói:
“Đây chắc chắn là nguyên nhân.”
Mà nên nói:
“Đây là yếu tố có khả năng đóng góp lớn nhất và cần được kiểm tra.”
Một câu trả lời như:
“Doanh thu giảm do một số khách hàng mua ít hơn.”
gần như không có giá trị.
Một phân tích tốt hơn:
Doanh thu giảm 8,7 tỷ đồng. Trong đó khách hàng A đóng góp -4,2 tỷ, nhóm sản phẩm B -2,1 tỷ và khu vực miền Trung -1,6 tỷ.
Tốt hơn nữa:
Ba yếu tố trên giải thích khoảng 91% tổng mức giảm.
Đây là nguyên tắc rất quan trọng:
Không chỉ:
“Có vấn đề.”
Mà phải cho biết:
“Vấn đề này lớn đến đâu?”
SKU A:
Doanh thu giảm:
20%.
Nhưng doanh thu chỉ:
100 triệu đồng.
Tác động:
20 triệu.
SKU B:
Doanh thu giảm:
2%.
Nhưng doanh thu:
100 tỷ đồng.
Tác động:
2 tỷ.
Nếu hệ thống chỉ cảnh báo theo tỷ lệ %, SKU A có vẻ nghiêm trọng hơn.
Nhưng với Ban Giám đốc:
Vì vậy AI cần đánh giá đồng thời:
Doanh thu tháng 2 giảm so với tháng 1.
AI cảnh báo:
“Doanh thu giảm mạnh.”
Nhưng doanh nghiệp hoạt động theo mùa vụ và tháng 2 năm nào cũng thấp.
Đây không phải anomaly.
Ngược lại:
Doanh thu chỉ giảm 3%.
Nhưng lịch sử cho thấy tháng này thường phải tăng 15%.
Khi đó mức giảm 3% lại rất đáng chú ý.
Do đó AI không nên chỉ so sánh:
This Month vs Last Month.
Mà cần hiểu:
Seasonality.
Trend.
Budget.
Forecast.
Same Period Last Year.
Historical Range.
Khi đó câu hỏi không còn là:
“KPI có giảm không?”
Mà là:
Hãy tưởng tượng mỗi sáng CEO không phải mở 15 Dashboard.
Hệ thống tự động phân tích dữ liệu mới nhất và đưa ra:
Doanh thu MTD: +3,2% so với kế hoạch.
Gross Margin: thấp hơn kế hoạch 1,4 điểm %.
VẤN ĐỀ CẦN CHÚ ÝGross Margin nhóm sản phẩm A giảm 3,8 điểm %.
AI xác định ba yếu tố đóng góp lớn:
1. Giá nguyên liệu X tăng: 46%
2. Discount khách hàng Y tăng: 31%
3. Product Mix chuyển sang SKU margin thấp: 18%
Ba yếu tố giải thích:
95% biến động.
Purchasing: Giá nguyên liệu X.
Sales: Chính sách Discount khách hàng Y.
Planning: Product Mix tháng tới.
Đây là một bước tiến lớn so với:
Dashboard → Con người tự tìm vấn đề.
Mô hình mới là:
Đây là một nghịch lý phổ biến của BI.
Ban đầu doanh nghiệp thiếu báo cáo.
Sau dự án BI:
Có quá nhiều Dashboard.
CEO có 12 Dashboard.
CFO có 20.
Sales Director có 15.
Operations có 18.
Mỗi Dashboard lại có:
10–20 biểu đồ.
Cuối cùng người quản lý vẫn phải tự tìm:
Biểu đồ nào hôm nay đáng quan tâm?
AI có thể thay đổi cách tiếp cận:
Giả sử AI thấy:
Chi phí Marketing tăng 40%.
Nó có thể cảnh báo.
Nhưng nếu tháng này doanh nghiệp vừa ra mắt sản phẩm mới, mức tăng đó hoàn toàn có chủ đích.
Do đó AI cần hiểu:
Budget.
Target.
Campaign.
Business Calendar.
Promotion.
Plant Shutdown.
New Product Launch.
Contract Change.
Một hệ thống AI quản trị tốt không chỉ đọc Transaction Data.
Nó cần đọc được Business Context.
AI Root Cause Analysis sẽ rất hạn chế nếu dữ liệu doanh nghiệp vẫn nằm rời rạc:
Sales ở CRM.
Inventory ở WMS.
Production ở MES.
Purchasing ở ERP.
Finance ở phần mềm kế toán.
KPI ở Excel.
Một biến động doanh thu có thể bắt nguồn từ bất kỳ hệ thống nào trong số đó.
Meliasoft có thể đóng vai trò kết nối dữ liệu quản trị theo chuỗi:
Khi các chiều dữ liệu có quan hệ với nhau, AI mới có khả năng đi từ:
KPI bất thường
→ Business Unit
→ Customer/Product
→ Transaction
→ Operational Event
→ Potential Root Cause.
AI trong Meliasoft vì vậy không nhất thiết phải bắt đầu bằng một chatbot phức tạp.
Một ứng dụng có giá trị hơn có thể rất đơn giản:
Đó là AI được đưa trực tiếp vào công việc quản trị.
Một Giám đốc giỏi vẫn cần:
Hiểu thị trường.
Hiểu khách hàng.
Hiểu con người.
Hiểu chiến lược.
Đưa ra quyết định.
AI không thay thế những năng lực đó.
Nhưng AI có thể giảm đáng kể thời gian dành cho:
Xuất báo cáo.
Lọc dữ liệu.
Pivot.
So sánh.
Drill-down.
Tìm ngoại lệ.
Tổng hợp nguyên nhân sơ bộ.
Con người dành ít thời gian hơn cho:
và nhiều thời gian hơn cho:
Đó mới là giá trị thực tế của AI trong quản trị.
Nhiều doanh nghiệp bắt đầu dự án AI bằng câu hỏi:
“Chúng ta có thể dùng AI nào?”
Một câu hỏi tốt hơn là:
Sau đó mới xác định:
Dữ liệu nào cần?
KPI nào cần theo dõi?
AI cần phát hiện điều gì?
Ai nhận cảnh báo?
Người đó có thể hành động gì?
Đó cũng chính là tinh thần:
AI không tạo ra giá trị chỉ vì nó có thể trả lời câu hỏi. AI tạo ra giá trị khi nó giúp doanh nghiệp phát hiện đúng vấn đề sớm hơn và đưa ra quyết định tốt hơn.
Chuyển đổi số giai đoạn trước chủ yếu giúp doanh nghiệp đi từ:
GIẤY → DỮ LIỆU
Giai đoạn tiếp theo là:
DỮ LIỆU → DASHBOARD
Nhưng bước tiến quan trọng hơn đang hình thành:
Khi đó Ban Giám đốc không chỉ nhìn thấy:
“Doanh thu giảm 8,7%.”
Hệ thống có thể giúp trả lời:
Giảm ở đâu?
Yếu tố nào đóng góp nhiều nhất?
Có bất thường không?
Nguyên nhân tiềm năng nằm ở đâu?
Bộ phận nào cần kiểm tra?
Và cuối cùng:
Đó là lúc dữ liệu không còn chỉ dùng để báo cáo quá khứ.
Nó bắt đầu trở thành một công cụ giúp doanh nghiệp hiểu hiện tại và ra quyết định cho tương lai.
Meliasoft – ERP của người Việt.
